tensorflow - Keras报告的准确性与model.predict()不对应

我的代码的相关部分：

模型架构：

Sequential(
    layers=[
        BatchNormalization(input_shape=input_shape),
        LSTM(lstm_1, return_sequences=True, dropout=dropout_1),
        BatchNormalization(),
        LSTM(lstm_2, dropout=dropout_2),
        Dense(1, activation='sigmoid')
    ]
)

编译和拟合调用：

model.compile(loss='binary_crossentropy',
                            optimizer=RMSprop(0.0005),
                            metrics=['accuracy'])

model.fit(np.stack(data_train['spectrogram']), np.stack(data_train['label']),
          batch_size=512,
          epochs=50,
          validation_data=(np.stack(data_test['spectrogram']), np.stack(data_test['label'].values)))

训练时

Epoch 50/50
466/466 [==============================] - 4s 8ms/step - loss: 0.5264 - acc: 0.7425 - val_loss: 0.8254 - val_acc: 0.5339

但是当我这样做

train_preds = np.round(model.predict(np.stack(data_train['spectrogram']))).astype('int32')

train_preds的准确度约为55％，但是，如上所示，最后一个时期的报告准确度为0.7425

难道我做错了什么？还是有一些解释？

如果有帮助，我将乐意发布更多代码。

最佳答案

时期中显示的准确性是您提供的训练数据集上的模型准确性。 model.predict显示验证数据集的准确性。训练数据集的准确性为0.7，测试/验证数据集的准确性为0.55。

关于tensorflow - Keras报告的准确性与model.predict()不对应，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53821927/