Python 与准确度相比，Keras top_k_分类准确度指标极低

我使用Keras的cifar100数据集创建了一个CNN模型。当添加top_k_Category_精度度量时，我应该看到前5个预测类中的一个是正确类时的精度。然而，在培训时，top_k_分类准确率仍然很低，约为4-5%，因为准确率和验证准确率一直增加到40-50%。前5名的准确度应该比正常的准确度高得多，而不是给出非常奇怪的结果。我使用不同的k值编写了自己的度量，但仍然存在相同的问题。即使当我使用k=1时，也会出现同样的问题，因为k=1应该给出相同的精度值

型号代码：

cnn = Sequential()
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu', input_shape=(train_images.shape[1:])))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(MaxPooling2D(pool_size=2, padding='same'))
cnn.add(Dropout(0.4))

cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Dropout(0.4))
cnn.add(MaxPooling2D(pool_size=2, padding='same'))
cnn.add(Dropout(0.5))

cnn.add(Flatten())
cnn.add(Dense(550, activation='relu'))
cnn.add(Dropout(0.4))
cnn.add(Dense(100, activation='softmax'))

编译代码：

cnn.compile(loss='sparse_categorical_crossentropy', optimizer=opt.Adam(lr=learn_rate), metrics=['accuracy', 'top_k_categorical_accuracy'])

---

事实证明，因为我使用的是稀疏的分类的交叉熵损失函数，所以我需要使用稀疏的top分类的精度函数。此度量还要求将标签展平到一维。之后，度量是正确的，模型正在训练

由于您使用了

sparse\u category\u crossentropy

作为损失，因此标签似乎是稀疏的（即，您没有对它们进行热编码）。如果是这样的话，那么你需要使用

sparse\u top\u k\u categorical\u accurity

作为度量标准。哇，我甚至没有看到这一点。非常感谢你。我还在源代码中看到标签需要从（samples，1）展平到（samples，）。这样做后，它的工作！你是我朋友的救命恩人。