Tensorflow训练精度和损失与对同一数据集的评估不同

Question

我试着用两个班训练一个张量流模型。 我的培训数据是平衡的（两个类都有大约11k个图像）。 我正在使用Tranferlearning，并尝试使用以下代码继续使用InceptionV3模型：

BUFFER_SIZE = 1000
BATCH_SIZE = 32

def get_label(file_path, class_names):
  # convert the path to a list of path components
  parts = tf.strings.split(file_path, os.path.sep)
  # The second to last is the class-directory
  return parts[-2] == class_names

def parse_image(filename):
    parts = tf.strings.split(filename, "\\")
    label = get_label(filename, CLASS_NAMES)

    image = tf.io.read_file(filename)
    image = tf.image.decode_png(image, channels=3)
    image = tf.image.convert_image_dtype(image, tf.float32)
    image = tf.image.resize(image, [299,299])/255.0
    return image, label

datasetFilePath = "Path\To\BalancedData"
IMAGESIZE = 299
AUTOTUNE = tf.data.experimental.AUTOTUNE
datasetPath = pathlib.Path(datasetFilePath)
list_ds = tf.data.Dataset.list_files(str(datasetPath/"*/*"))

CLASS_NAMES = np.array([item.name for item in datasetPath.glob('*')])

# labeled_ds = list_ds.map(process_path)

images_ds = list_ds.map(parse_image, num_parallel_calls=AUTOTUNE)
images_ds = images_ds.shuffle(BATCH_SIZE)

dataset = images_ds.batch(BATCH_SIZE, drop_remainder=True)

for image_batch, label_batch in dataset.take(1):
    pass

def build_and_compile_model():
    base_model =tf.keras.applications.InceptionV3(include_top=False, weights = "imagenet", input_shape=(IMAGESIZE,IMAGESIZE,3))
    feature_batch = base_model(image_batch)
    print(feature_batch.shape)

    base_model.trainable = False
    x = base_model.output
    x = tf.keras.layers.GlobalAveragePooling2D(name="avg_pool")(x)
    x = tf.keras.layers.Dense(256, activation="relu")(x)
    predictions = tf.keras.layers.Dense(2, activation="softmax")(x)
    model = tf.keras.models.Model(inputs=base_model.input, outputs=predictions)

    base_learning_rate = 0.00001
    model.compile(optimizer=tf.keras.optimizers.Adam(lr=base_learning_rate),
                 loss="categorical_crossentropy",
                 metrics=["accuracy"])
    return model


multi_worker_model = build_and_compile_model()
tensorboard = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
history = multi_worker_model.fit(dataset, epochs=2, callbacks=[tensorboard])

=>Epoch 1/2
=>711/711 [==============================] - 176s 247ms/step - loss: 0.3309 - accuracy: 0.8945
=>Epoch 2/2
=>711/711 [==============================] - 166s 233ms/step - loss: 0.1410 - accuracy: 0.9632

predictions = multi_worker_model.evaluate(dataset)
=>711/711 [==============================] - 150s 212ms/step - loss: 0.7538 - accuracy: 0.4999

总而言之，我的模型只是预测一切都是1级的，我不明白为什么会是这样，主要是为什么它声称训练准确率为96%

这可能是数据的问题，但我希望训练准确率也能达到50%，因为训练和评估都发生在同一个数据集上

任何帮助都将不胜感激，如果您需要更多信息，请告诉我

Answer 1

好的，再研究几个小时后，我可能会有问题。 接收v3使用

def preprocess_input(x):
    x /= 255.
    x -= 0.5
    x *= 2.
    return x

作为预处理函数。我只做了x/=255部分，这还不够。精度的差异可能是因为在.fit函数中自动进行预处理，而另一方面.evaluate函数不能这样做

我不是100%确定这是正确的答案，但这是我最好的猜测。它还可以将base_model.trainable = False设置为base_model.trainable = True。我认为这允许模型使用我自己的预处理进行训练，因此评估也可以工作，因为它得到了我的预处理

我希望这可以帮助有类似问题的人。但我仍然很高兴有人能提供一些意见，让我对这个话题有更好的了解