Python 手动计算分类准确度不需要'；与keras给出的答案不符

我在解释Keras

model.fit（）方法的输出时遇到问题

设置

print(tf.version.VERSION) # 2.3.0
print(keras.__version__) # 2.4.0

对于三级分类问题，我有一个简单的前馈模型：

def获取基线mlp（信号长度）：
输入张量=keras.layers.input（信号长度，name=“输入”）
稠密_1=keras.layers.flatte（）（输入_张量）
致密层=keras.layers.dense（名称='dense_1'，活化='relu'，单位=500）（致密层1）
致密层1=keras.layers.density（name='density_2'，activation='relu'，units=500）（致密层1）
致密层1=keras.layers.density（name='density_3'，activation='relu'，units=500）（致密层1）
稠密\u 1=keras.layers.density（name='density\u 4'，activation='softmax'，units=3，bias\u initializer='零'）（稠密\u 1）
model=keras.models.model（输入=输入张量，输出=[densite\u 1]）
model.summary（）
回归模型

我的训练数据是单变量时间序列，我的输出是长度为3的一个热编码向量（我的分类问题中有3个类）

模型编译如下：

mlp_base.compile(optimizer=optimizer, 
                           loss='categorical_crossentropy',
                           metrics=['categorical_accuracy'])

我有一个功能，可以通过两种方法手动计算预测的准确性：

def get_精度（模型、真x、真y）：
res=模型预测（真x）
分辨率=np.rint（分辨率）
右=0
对于范围内的i（len（true_y[：，0]）：
如果np.array_相等（res[i，：]，true_y[i，：]）：
#打印（res[i，：]，tr_y[i，：]）
右+=1
其他：
通过
tot=len（真值[：，0]）
打印（'真实-总计'，右，总计）
打印（'acc:{}'。格式（（右/tot）））
打印（）
打印（'方法2-分类'）
res=模型预测（真x）
res=np.argmax（res，轴=-1）
真y=np.argmax（真y轴=-1）
右=0
对于范围内的i（len（true_y））：
如果res[i]==true\u y[i]：
右+=1
其他：
通过
tot=len（真值）
打印（'真实-总计'，右，总计）
打印（'acc:{}'。格式（（右/tot）））

问题

在训练结束时，输出的分类准确度与我使用自定义函数得到的分类准确度不匹配

培训产出：

Model: "functional_17"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input (InputLayer)           [(None, 9000)]            0         
_________________________________________________________________
flatten_8 (Flatten)          (None, 9000)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 500)               4500500   
_________________________________________________________________
dense_2 (Dense)              (None, 500)               250500    
_________________________________________________________________
dense_3 (Dense)              (None, 500)               250500    
_________________________________________________________________
dense_4 (Dense)              (None, 3)                 1503      
=================================================================
Total params: 5,003,003
Trainable params: 5,003,003
Non-trainable params: 0
-------------------------------------------------------------------
Fit model on training data
Epoch 1/2
20/20 [==] - 0s 14ms/step - loss: 1.3796 categorical_accuracy: 0.3250 - val_loss: 0.9240 - 
Epoch 2/2
20/20 [==] - 0s 8ms/step - loss: 0.8131 categorical_accuracy: 0.6100 - val_loss: 1.2811


精度函数的输出：

True / total 169 200
acc: 0.845

 method 2
True / total 182 200
acc: 0.91

为什么我会得到错误的结果？我的准确性实现有错吗

更新
按desertnaut建议更正设置仍不起作用

fit的输出：

1/3时代
105/105[=]-1s 9ms/步-损失：1.7666-分类准确率：0.2980
纪元2/3
105/105[=]-1s 6ms/步-损失：1.2380-分类精度：0.4432
纪元3/3
105/105[=]-1s 5ms/步-损失：1.0318-分类精度：0.5989

如果我使用keras的分类准确度函数，我仍然会得到不同的结果

cat_acc=keras.metrics.category准确性（）
cat附件更新状态（tr_y2，y_pred）
打印（cat_acc.result（）.numpy（））#输出：0.7211079

有趣的是，如果我使用上述方法计算验证精度，我会得到一致的输出。
对您的精度计算不太确定（似乎没有必要进行卷积，对于

循环，我们总是喜欢向量计算而不是

），但您的代码有两个问题可能会影响结果（甚至让它们变得毫无意义）

第一个问题是，由于您处于多类设置中，您应该使用
loss='classifical'u crossentropy'
，而不是
，来编译您的模型；检查自己的答案，看看当您以这种方式混合损失和精度时会发生什么（另外，这里的“二进制精度”是绝对没有意义的）

第二个问题是您错误地将
activation='sigmoid'
用于最后一层：因为您处于多类（而不是多标签）中使用标签设置一个热编码，最后一层中的激活应该是
softmax
，而不是
sigmoid
谢谢，错误的设置是我的功能中计算精度不匹配的原因（方法2）和keras的一个。使用相同的设置，但使用二进制交叉熵、sigmoid作为最后一层激活和二进制精度存在不匹配。精度函数的（卷积）第一部分有什么问题？这是计算二进制分类设置精度的正确方法吗？提前感谢：）@MickHardins如前所述，在这种情况下，我们不对循环使用
，而是使用向量和数组运算；您应该能够仅使用数组方法（如
argmax
，
mean
等）计算~5行的精度。请参阅相应的示例以获得一些启示。如果答案解决了您的问题，请接受我已经更新了这个问题，因为这个问题似乎还没有解决。