Python 为什么在张力板中获得训练精度而不是测试精度

我想看看tensorboard的测试准确性，但似乎我通过训练数据获得了准确性。我在控制台上打印测试精度，显示约70%，但在tensorboard中，曲线显示精度正在增长，最后几乎达到100%。
这是我的代码：

def train_crack_captcha_cnn(is_train, checkpoint_dir):
global max_acc
X = tf.placeholder(tf.float32, [None, dr.ROWS, dr.COLS, dr.CHANNELS])
Y = tf.placeholder(tf.float32, [None, 1, 1, 2])
output, end_points = resnet_v2_50(X, num_classes = 2)

global_steps = tf.Variable(1, trainable=False)
learning_rate = tf.train.exponential_decay(0.001, global_steps, 100, 0.9)

with tf.device('/device:GPU:0'):
    loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=Y, logits=output))
    # optimizer 为了加快训练 learning_rate应该开始大，然后慢慢衰
    optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss, global_step=global_steps)

predict = tf.argmax(output, axis = 3)
l = tf.argmax(Y, axis = 3)
correct_pred = tf.equal(predict, l)
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

## tensorboard
tf.summary.scalar('test_accuracy', accuracy)
tf.summary.scalar("loss", loss)
tf.summary.scalar("learning_rate", learning_rate)

saver = tf.train.Saver()
with tf.Session(config=tf.ConfigProto(allow_soft_placement = True)) as sess:
    if is_train:
        writer = tf.summary.FileWriter("/tmp/cnn_log/log", graph = sess.graph)
        sess.run(tf.global_variables_initializer())
        step_value = sess.run(global_steps)
        while step_value < 100000:
            step_value = sess.run(global_steps)
            merged = tf.summary.merge_all()
            batch_x, batch_y = get_next_batch()

            result, _, _loss= sess.run([merged, optimizer, loss], feed_dict={X: batch_x, Y: batch_y})
            writer.add_summary(result, step_value)
            print('step : {} loss : {}'.format(step_value, _loss))

            # 每100 step计算一次准确率
            if step_value % 20 == 0:
                acc = sess.run(accuracy, feed_dict={X: validation, Y: validation_labels})
                print('accuracy : {}'.format(acc))

                # 如果准确率大于max_acc,保存模型,完成训练
                if acc > max_acc:
                    max_acc = float(acc) #转换类型防止变为同一个引用
                    saver.save(sess, checkpoint_dir + "/" + str(step_value) + '-' + str(acc) + "/model.ckpt", global_step=global_steps)

                    ##### predict #####
                    # predict_y = sess.run(output, feed_dict={X: test})
                    # data = pd.DataFrame([i for i in range(1, len(predict_y) + 1)], columns = ['id'])
                    # predict_y = np.argmax(predict_y, axis = 3)
                    # predict_y = np.reshape(predict_y,(-1))
                    # print(predict_y)
                    # predict_y = pd.Series(predict_y, name='label')
                    # data['label'] = predict_y
                    # data.to_csv("gender_submission.csv" + str(step), index=False)
                    ##### end #####
        writer.close()
    else:
        ckpt = tf.train.get_checkpoint_state(checkpoint_dir)
        if ckpt and ckpt.model_checkpoint_path:
            saver.restore(sess, ckpt.model_checkpoint_path)
            acc = sess.run(accuracy, feed_dict={X: validation, Y: validation_labels})
            print('accuracy : {}'.format(acc))

def列车破解验证码cnn（is列车，检查点方向）：
全球最大加速度
X=tf.placeholder（tf.float32，[None，dr.ROWS，dr.COLS，dr.CHANNELS]）
Y=tf.placeholder（tf.float32，[None，1，1，2]）
输出，终点=resnet\u v2\u 50（X，num\u类=2）
全局步数=tf.变量（1，可训练=False）
学习率=tf.训练指数衰减（0.001，全局步数，100，0.9）
使用tf.device（'/device:GPU:0'）：
损失=tf.reduce_平均值（tf.nn.sigmoid_交叉_熵_与_logits（labels=Y，logits=output））
#优化器为了加快训练 学习率应该开始大，然后慢慢衰
优化器=tf.train.AdamOptimizer（学习率=学习率）。最小化（损失，全局步数=全局步数）
预测=tf.argmax（输出，轴=3）
l=tf.argmax（Y轴=3）
正确的预测=tf.相等（预测，l）
准确度=tf.reduce_平均值（tf.cast（correct_pred，tf.float32））
##张力板
tf.汇总.标量（“测试精度”，精度）
tf.汇总。标量（“损失”，损失）
tf.summary.scalar（“学习率”，学习率）
saver=tf.train.saver（）
使用tf.Session（config=tf.ConfigProto（allow\u soft\u placement=True））作为sess：
如果是列车：
writer=tf.summary.FileWriter（“/tmp/cnn\u log/log”，graph=sess.graph）
sess.run（tf.global\u variables\u initializer（））
步骤值=sess.run（全局步骤）
当阶跃u值<100000时：
步骤值=sess.run（全局步骤）
merged=tf.summary.merge_all（）
批次x，批次y=获取下一个批次（）
结果，u，_loss=sess.run（[merged，optimizer，loss]，feed_dict={X:batch_X，Y:batch_Y}）
writer.add_摘要（结果、步骤值）
打印（'step:{}丢失：{}'。格式（step_值，_丢失））
# 每100步计算一次准确率
如果步长值%20==0：
acc=sess.run（准确度，进给量={X:validation，Y:validation\u labels}）
打印（'精度：{}'。格式（acc））
# 如果准确率大于max_acc，保存模型,完成训练
如果acc>max_acc：
最大加速度=浮动（加速度）#转换类型防止变为同一个引用
saver.save（sess，检查点目录+“/”+str（步长值）+'-'+str（acc）+“/model.ckpt”，全局步长=全局步长）
#####预测#####
#predict_y=sess.run（输出，feed_dict={X:test}）
#data=pd.DataFrame（[i代表范围内的i（1，len（predict_y）+1）]，列=['id']））
#预测y=np.argmax（预测y，轴=3）
#预测y=np。重塑（预测y，（-1））
#打印（预测y）
#predict_y=pd.Series（predict_y，name='label'）
#数据['label']=预测值
#data.to_csv（“gender_submission.csv”+str（step），index=False）
#####结束#####
writer.close（）
其他：
ckpt=tf.train.get\u checkpoint\u状态（checkpoint\u dir）
如果ckpt和ckpt.model\u检查点路径：
saver.restore（sess、ckpt.model\u检查点\u路径）
acc=sess.run（准确度，进给量={X:validation，Y:validation\u labels}）
打印（'精度：{}'。格式（acc））

我将精度添加到张力板中，如下所示：

tf.summary.scalar（'测试精度'，精度）

每20步，我得到一个关于测试数据的准确度，并将结果打印到控制台，这与tensorboard上显示的数据不同

---

为什么？

测试阶段没有打开的编写器。