Python 同一验证集的Keras中的fit（）和evaluate（）的val精度不同

我正在使用keras训练堆叠网络； 子模型包括接收v3、resnet50和异常。 在这些子模型中：拟合val精度与评估val精度相同。 但当叠加这些子模型后，我得到了一个非常好的结果，拟合val的精度比评估val的精度高1%。 我将数据拆分为60%列车组20%验证组20%测试组。 我做错了什么

使用验证集设置fit（）时：

    Epoch 126/250
216/216 [==============================] - 4s 17ms/step - loss: 0.8279 - accuracy: 0.6574

Val loss: 0.8272405112231219
Val accuracy: 0.6435185074806213

使用验证集evaluate（）时：

    Epoch 126/250
216/216 [==============================] - 4s 17ms/step - loss: 0.8279 - accuracy: 0.6574

Val loss: 0.8272405112231219
Val accuracy: 0.6435185074806213

---

什么是适合和评估？您通过了要修复的培训集，然后通过了要评估的培训集？在这种情况下，您将无法获得相同的值，fit使用批次的运行平均值作为权重更改，evaluate使用固定权重运行历元时打印的度量值是平均值。也就是说，每个批次分别计算，然后除以批次数。之后运行

evaluate（）

时，它会进行更精确的计算