Python 测试保存的卷积自动编码器

我在Keras中培训并保存了一个卷积自动编码器。在以.h5格式保存模型之前，它的训练损失为0.2394，验证损失为0.2586。在测试保存的模型时，我得到的损失是验证损失的两倍多，即0.6707。我实际上是用训练数据中的样本来测试它，只是想看看我是否会像训练时一样损失，或者更接近

下面是我如何计算损失的，其中“total”是我传递用于测试模型的图像总数

score = np.sqrt(metrics.mean_squared_error(predicteds,images))
print ('Loss:',score/total)

我在计算测试损失时是否犯了错误

下面是模型编译

autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

和训练冗长

纪元18/20 167/167 462s 3s/步-损耗：0.2392-瓦卢损耗：0.2585

纪元19/20 167/167 461s 3s/步-损耗：0.2399-瓦卢损耗：0.2609

纪元20/20 167/167 475s 3s/步-损耗：0.2394-瓦卢损耗：0.2586

---

我认为你混淆了指标和损失函数

根据您的

model.compile（）

，您正在使用

binary\u crossentropy

loss函数。这意味着详细信息中提到的损失与二进制交叉熵有关（包括

损失

-训练损失和

验证损失）

您使用RMSE对模型进行评分，然后将RMSE与二进制交叉熵损失进行比较

要使用MSE进行培训或使用其他可比较的度量，您需要编译带有MSE损失的模型或使用MSE作为度量。有关和的更多信息，请查看文档。
假设您遵守了
autoencoder.compile（optimizer='adam'，loss='mean_squared_error'）
。但是可以看出，您在
np.sqrt（metrics.mean_squared_error（predicteds，images））
中使用均方根误差来计算损失，而不是均方误差。当一个数小于1时，它的平方根大于它本身。也许这就是为什么你的考试损失比你的训练损失大得多。顺便说一下，您可以使用
autoencoder.evaluate（图像，图像）
获得测试损失。
您可以分享一些代码（模型编译）和培训结果（详细）吗？这将有助于理解模型使用的损失和度量。当然@SkillSnocker，我已经在帖子中添加了编译代码和详细信息，请参阅编辑。我已经尝试使用
autoencoder.compile进行编译（optimizer='adam'，loss='mean_squared_error'）
，但仍然得到了相同的结果。这一个有效，我也意识到我的训练和验证图像是标准化的，但不是我的测试集。在对其进行正常化后，使用
autoencoder时，损失已降至可接受的值。评估（图像，图像）
我得到的损失为
2517.8763163798562