Python Keras-model.u类给出了错误的标签

我的模特就像

print（'Build main model…'））
模型=顺序（）
model.add（合并（[left，right]，mode='sum'））
model.add（密集型（14，activation='softmax'））
compile（loss='binary\u crossentropy'，optimizer='adam'，metrics=['accurity']）

---

当我使用

model.evaluate（[xtest1，xtest2]，y\u test）

时，我得到了90%的准确率，但当我使用

model.predict\u类（[x\u test1，x\u xtest2]）

时，我得到了完全错误的类标签，这样我的准确率会显著下降。

model.evaluate

和

model.predict\u class

schema有什么区别？我哪里出错了？

既然你在模型编译中要求

loss='binary\u cross\u entropy'

和

metric=['accurity']

，Keras推断你对二进制精度感兴趣，这就是它在

model.evaluate（）中返回的结果；事实上，由于您有14个类，您实际上对分类的准确性感兴趣，这是通过
model.predict\u classes（）
报告的

因此，您应该将模型编译中的损失函数更改为
categorical\u crossentropy
：

model.compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）

如果出于任何原因，您希望坚持使用
loss='binary\u crossentropy'
（无可否认，这将是一个非常不寻常的选择），那么您应该更改模型编译，以澄清您想要的分类准确性如下：

来自keras.metrics导入分类精度
compile（loss='binary\u crossentropy'，optimizer='adam'，metrics=[分类精度]）

在这两种情况下，您都会发现
model.evaluate（）
和
model.predict\u classes（）
报告的精度是相同的

有关使用MNIST数据的更详细解释和示例，请参阅。
因为您在模型编译中要求
损失
和
度量=['accurity']
，Keras推断您对二进制精度感兴趣，这是它在
model.evaluate（）中返回的结果；事实上，由于您有14个类，您实际上对分类的准确性感兴趣，这是通过
model.predict\u classes（）
报告的

因此，您应该将模型编译中的损失函数更改为
categorical\u crossentropy
：

model.compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）

如果出于任何原因，您希望坚持使用
loss='binary\u crossentropy'
（无可否认，这将是一个非常不寻常的选择），那么您应该更改模型编译，以澄清您想要的分类准确性如下：

来自keras.metrics导入分类精度
compile（loss='binary\u crossentropy'，optimizer='adam'，metrics=[分类精度]）

在这两种情况下，您都会发现
model.evaluate（）
和
model.predict\u classes（）
报告的精度是相同的

有关使用MNIST数据的更详细解释和示例，请参见。
能否提供完整的代码以及如何以更好的格式计算精度您有多少个类？我猜它们不止2个…@desertnaut，是的，有14个类。你能提供完整的代码以及你如何以更好的格式计算精度吗？你有多少个类？我猜他们不止2个…@desertnaut，是的，有14个班。