相关疑难解决方法(0)

我使用Keras生物医学图像分割技术来分割脑神经元。我用model.evaluate()它给了我骰子系数：0.916。但是，当我使用时model.predict()，通过计算Dice系数遍历预测图像，Dice系数为0.82。为什么这两个值不同？

我已经训练了模型中使用word2vec和使用keras的LSTM模型来预测主题类别，并有大约训练期间98％的准确率，我保存的模型，然后装到另一个文件试图在测试集，我用model.evaluate和model.predict，结果非常不一样。

我使用 keras 和 tensorflow 作为后端，模型摘要是：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, 22)                19624     
_________________________________________________________________
dropout_1 (Dropout)          (None, 22)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 40)                920       
_________________________________________________________________
activation_1 (Activation)    (None, 40)                0         
=================================================================
Total params: 20,544
Trainable params: 20,544
Non-trainable params: 0
_________________________________________________________________
None

编码：

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.load_weights(os.path.join('model', 'lstm_model_weights.hdf5'))
score, acc = model.evaluate(x_test, y_test, batch_size=batch_size)

print()
print('Score: %1.4f' % score)
print('Evaluation Accuracy: %1.2f%%' % (acc*100))

predicted = model.predict(x_test, batch_size=batch_size)
acc2 …

我有以下问题：

我在 Keras 中有一个自动编码器，并对其进行了几个时期的训练。训练概览显示验证 MAE 为 0.0422，MSE 为 0.0024。但是，如果我随后调用 network.predict 并手动计算验证错误，我会得到 0.035 和 0.0024。

人们会认为我对 MAE 的手动计算完全不正确，但奇怪的是，如果我使用恒等模型（仅输出您输入的内容）并使用它来评估预测值，则会返回与我的手工计算。代码如下：

input = Input(shape=(X_train.shape[1], ))
encoded = Dense(50, activation='relu', activity_regularizer=regularizers.l1(10e-5))(input)
encoded = Dense(50, activation='relu', activity_regularizer=regularizers.l1(10e-5))(encoded)
encoded = Dense(50, activation='relu', activity_regularizer=regularizers.l1(10e-5))(encoded)
decoded = Dense(50, activation='relu', activity_regularizer=regularizers.l1(10e-5))(encoded)
decoded = Dense(50, activation='relu', activity_regularizer=regularizers.l1(10e-5))(decoded)
decoded = Dense(X_train.shape[1], activation='sigmoid')(decoded)
network = Model(input, decoded)

# sgd = SGD(lr=8, decay=1e-6)
# network.compile(loss='mean_squared_error', optimizer='adam')
network.compile(loss='mean_absolute_error', optimizer='adam', metrics=['mse'])

# Fitting the data
network.fit(X_train, X_train, epochs=2, batch_size=1, shuffle=True, validation_data=(X_valid, X_valid),
            callbacks=[EarlyStopping(monitor='val_loss', min_delta=0.00001, patience=20, verbose=0, …