Python 如何在CNN模型中找到一个单一的精度以供研究之用？

我已经用CNN模式完成了一个有20个时代的项目， 型号培训代码如下所示，

model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(16,(3,3), activation='relu', input_shape=(200, 200, 3)),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Conv2D(32,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                   
                                    tf.keras.layers.Conv2D(64,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Flatten(),
                                    
                                    tf.keras.layers.Dense(512, activation='relu'),
                                    
                                    tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(loss = 'binary_crossentropy', 
              optimizer = RMSprop(lr=0.001),
              metrics = ['accuracy'])

model_fit = model.fit(train_dataset,
                      steps_per_epoch=3,
                      epochs= 20,
                      validation_data = validation_dataset)

然后，编译模型，

model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(16,(3,3), activation='relu', input_shape=(200, 200, 3)),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Conv2D(32,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                   
                                    tf.keras.layers.Conv2D(64,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Flatten(),
                                    
                                    tf.keras.layers.Dense(512, activation='relu'),
                                    
                                    tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(loss = 'binary_crossentropy', 
              optimizer = RMSprop(lr=0.001),
              metrics = ['accuracy'])

model_fit = model.fit(train_dataset,
                      steps_per_epoch=3,
                      epochs= 20,
                      validation_data = validation_dataset)

现在，让模型适合20个时代，

model = tf.keras.models.Sequential([tf.keras.layers.Conv2D(16,(3,3), activation='relu', input_shape=(200, 200, 3)),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Conv2D(32,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                   
                                    tf.keras.layers.Conv2D(64,(3,3), activation='relu'),
                                    tf.keras.layers.MaxPool2D(2,2),
                                    
                                    tf.keras.layers.Flatten(),
                                    
                                    tf.keras.layers.Dense(512, activation='relu'),
                                    
                                    tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(loss = 'binary_crossentropy', 
              optimizer = RMSprop(lr=0.001),
              metrics = ['accuracy'])

model_fit = model.fit(train_dataset,
                      steps_per_epoch=3,
                      epochs= 20,
                      validation_data = validation_dataset)

训练模型后，显示精度和损失，如下所示，

---

注意：我找不到一个准确度，因此我无法将其写在研究论文中。因为我不能在纸上写得完全准确。我应该使用单一精度那么我应该如何找到单一精度，或者如何编写单一精度。请帮助知道它的人。

我在上面对您遇到的问题进行了评论，但是如果您确实只想要一个数字，您可以使用下面的代码来评估您的损失和准确性

#评估损失和准确性
损失，精度=模型。评估（testingDataset）
#打印精度
打印（“精度：+str（精度））
#打印损失
打印（“损失：+str（损失））

我想您指的是培训和验证准确性？正常精度是训练数据集的精度，而val_精度是验证数据集的精度。我通常使用val_精度，因为它可以更好地指示模型的执行情况。验证精度被认为是研究论文中用于基准测试的数字，如果这是您想要的。