Python 为什么神经网络没有在完整的数据集中运行？

有关数据的一些信息：

训练集、有效集和测试集均为2D numpy阵列

列车组形状-（352745,8）

有效的集合形状-（72249，8）

测试集形状-（72249,8）

很清楚-每个实例都有8个特性

目标标签是-3个类->0,1或2中的一个（类的相应数据集已分离）

根据使用的数据，我使用的神经网络-

输入层将有-8个输入神经元+1个偏置神经元

一些隐藏层将在那里

输出层将有-3个输出神经元，每个神经元对应一个类

输入/输出摘录

输入1：

model.summary()

产出1：

Model: "sequential_24"

Layer (type)                 Output Shape              Param #   

flatten_24 (Flatten)         (None, 8)                 0         

dense_110 (Dense)            (None, 24)                216       

dense_111 (Dense)            (None, 3)                 75        

Total params: 291
Trainable params: 291
Non-trainable params: 0

输入2：

model.compile(loss="sparse_categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
history = model.fit(X_train[:], train_set_label[:], epochs=20, validation_data=(X_valid, valid_set_label))

产出2：

Epoch 1/20
11024/11024 [==============================] - 25s 2ms/step - loss: 0.3258 - accuracy: 0.8918 - val_loss: 0.1954 - val_accuracy: 0.9538
Epoch 2/20
11024/11024 [==============================] - 29s 3ms/step - loss: 0.1618 - accuracy: 0.9621 - val_loss: 0.1373 - val_accuracy: 0.9653
Epoch 3/20
11024/11024 [==============================] - 36s 3ms/step - loss: 0.1211 - accuracy: 0.9702 - val_loss: 0.1065 - val_accuracy: 0.9732

……等等

输入3：

model.evaluate(X_test, test_set_label)

产出3：

2344/2344 [==============================] - 6s 2ms/step - loss: 0.0570 - accuracy: 0.9854

[0.057045429944992065, 0.985413134098053]

你可以看到：

仅输出2列11024个实例（共352745个）

输出_3仅测试2344个实例（共72249个）

为什么会这样？我想在完整的列车组上进行培训，即352745，并想在72249（而不是2344）上进行测试。这可能是什么原因