小编You*_*hin的帖子

我在下面使用了数据扩充来节省内存。

total number of test images = 400
batch size = 128

当我使用model.evaluate_generator检查测试集的准确性时，与我模型的最后一个时期的finalvalidation_accuracy不同。而且，model.evaluate_generator当我重复这个的时候，输出改变。

下面是我的代码。

请帮忙！

train_datagen = ImageDataGenerator(
        rescale=1./255,)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        color_mode= "grayscale",
        target_size=(img_width, img_height),
        batch_size=128,
        class_mode='categorical',)    

validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        color_mode= "grayscale",
        target_size=(img_width, img_height),
        batch_size=128,
        class_mode='categorical')

#%%
hist = model.fit_generator(
        train_generator,
        samples_per_epoch=nb_train_samples,
        nb_epoch=nb_epoch,
        validation_data=validation_generator,
        nb_val_samples=nb_validation_samples)

scoreSeg = model.evaluate_generator(validation_generator, 400)
print("Accuracy = ",scoreSeg[1])

请给我这些CNN结果的评论.我使用了2000张训练图像和400张测试图像.训练准确性很好,但测试精度非常低.我认为这是因为训练和测试图像之间存在很大差异.对于这种情况,任何人都有好主意吗？

[]