Tensorflow Keras报告错误的准确性

我正在Keras训练生成性对抗网络（GAN）

我的日志报告两个网络（鉴别器和组合模型）都达到了100%的准确性。这表明出了问题

我试着运行推断，发现鉴别器确实100%准确，但生成器只产生噪音，根本没有愚弄鉴别器

我的问题：为什么Keras报告我的组合模型的准确率为100%

代码：

generator=create\u generator（输入\u形状=（374，））
in_vector=输入（shape=（374，））
伪图像=生成器（在向量中）
鉴别器=创建鉴别器（）
disc_optimizer=keras.optimizers.SGD（lr=1e-4）
compile（优化器=disc\u优化器，loss='binary\u crossentropy'，metrics=['accurity']）
鉴别器.trainable=False
对于鉴别器层中的l：
l、 可训练=错误
gan_输出=鉴别器（假图像）
gan=模型（in_矢量，gan_输出）
gan_optimizer=keras.optimizers.RMSprop（lr=1e-5）
compile（优化器=gan\u优化器，loss='binary\u crossentropy'，metrics=['accurity']）
start\u time=datetime.datetime.now（）
tensorboard=tensorboard（log_dir=f'data/logs/gawwn/{start_time}'）
张力板。集_模型（gan）
d_列日志=[“列鉴别器丢失”，
“列车鉴别器精度”]
g_列_日志=[‘列_发电机_损失’，
“列车发电机精度”]
val_日志=['val_鉴别器_丢失'，
“val_鉴别器_精度”，
“val_发电机损耗”，
“val_生成器_精度”]
d_列_步，g_列_步，val_步=0,0,0
有效=np.个（（批次大小，1））
假=np.零（（批次大小，1））
噪声_σ=0.00
噪声衰减=0.95
对于范围内的历元（1，1+历元）：
d_损失=[1]
当d_损失[0]>d_损失时：
对于枚举中的i，（x_向量，x_图像，y）（列装载器。装载批次（批次大小））：
# ---------------------
#列车鉴别器
# ---------------------
#生成一批新图像
gen\u imgs=生成器。预测（x\u向量）
#训练鉴别器
数据=np。连接（[y，gen\U imgs]，轴=0）
标签=np.连接（[有效[：len（y）]，假[：len（y）]）
列车批次=列表（zip（数据、标签））
np.random.shuffle（训练批）
数据，标签=zip（*系列批次）
数据，标签=np.array（数据），np.array（标签）
d_损失=鉴别器。批量（数据、标签）训练
#d_loss_real=鉴别器。批量（y，有效[：len（y）]）
#d_loss_fake=鉴别器。在批次上训练（gen_imgs，fake[：len（y）]）
#d_损失=0.5*np.加上（d_损失为真，d_损失为假）
写入日志（张力板、d列日志、d列丢失、d列步骤）
d_列_步数+=1
time\u elaped=datetime.datetime.now（）-start\u time
打印（f'D step{D_train_step}:loss={D_loss[0]}；acc={D_loss[1]}；time={time_elaped}）
g_损失=[1]
当g_损耗[0]>g_损耗时：
对于枚举中的i，（x_向量，x_图像，y）（列装载器。装载批次（批次大小））：
# ---------------------
#列车发电机
# ---------------------
#培训发生器（使鉴别器标签样本有效）
g_损失=批次上的gan.序列（x_向量，有效[：len（y）]）
#绘制进度图
写入日志（张力板、g_列日志、g_损失、g_列步骤）
g_列_阶跃+=1
time\u elaped=datetime.datetime.now（）-start\u time
打印（f'G步骤{G_train_步骤}：损失={G_损失[0]}；acc={G_损失[1]}；时间={time_elaped}）
#如果在保存间隔=>保存生成的图像样本
如果历元%sample_interval==0：
d_损失=[]
g_损失=[]
对于x_向量、x_图像、y在val_loader.load_batch（批次大小）中：
gen\u imgs=生成器。预测（x\u向量）
d_损失_真实=鉴别器。在_批次上测试（y，有效[：len（y）]）
d_loss_fake=鉴别器。在批次上测试（gen_imgs，fake[：len（y）]）
d_损失=0.5*np.加上（d_损失为真，d_损失为假）
d_损失。追加（d_损失）
g_损失=gan。在批次上测试（x_向量，有效[：len（y）]）
g_损失。追加（g_损失）
d_损失=np.平均值（d_损失，轴=0）
g_损失=np.平均值（g_损失，轴=0）
写入日志（tensorboard、val_日志、[d_损耗[0]、d_损耗[1]、g_损耗[0]、g_损耗[1]、val_阶跃）
val_阶跃+=1
示例图像（val_加载器、生成器、历元）
保存_模型（生成器、历元、“生成器”）
保存_模型（鉴别器、历元、“鉴别器”）

最后几个步骤的结果：

D步骤349：损失=0.09932675957679749；acc=1.0；时间=0:05:58.468997
D步骤350：损失=0.10563915222883224；acc=0.990000095367432；时间=0:05:59.088657
D步骤351：损耗=0.0965846106410266；acc=1.0；时间=0:05:59.533442
G步骤214：损失=0.167491614818573；acc=0.9800000190734863；时间=0:06:00.196747
G步骤215：损失=0.13409791886806488；acc=1.0；时间=0:06:00.891946
G步骤216：损失=0.1523411124944687；acc=0.972222089767456；时间=0:06:01.402974
D步骤352：损失=0.10553492605686188；acc=0.990000095367432；时间=0:06:02.015083
D步骤353：损失=0.10318870842456818；acc=0.990000095367432；时间=0:06:02.654599
D步骤354：损失=0.07871382683549；acc=1.0；时间=0:06:03.131933
G步骤217：损失=0.1493617743253708；acc=0.9800000190734863；时间=0:06:03.827815
G步骤218：损失=0.12147567421197891；acc=0.9599979785423279；时间=0:06:04.537494
G步骤219：损失=0.17327196896076202；acc=1.0；时间=0:06:05.099841
D步骤355：损耗=0.10441411286592484；acc=0.990000095367432；时间=0:06:05.768096
D步骤356：损失=0.09612423181533813；acc=1.0；时间=0:06:06.451947
D步骤357：损失=0.1072489321231842；acc=0.9861111044883728；时间=0:06:06.937882

推论：

np.重塑（鉴别器.预测（地面真理），（5,10）） 数组（[[0.5296475,0.52787906,0。