如何利用keras获得模型的精度？

Question

在对模型进行拟合（运行了几个小时）之后，我想用下面的代码获得准确度：

train_loss=hist.history['loss']
val_loss=hist.history['val_loss']
train_acc=hist.history['acc']
val_acc=hist.history['val_acc']
xc=range(nb_epoch)

但是得到了一个错误，这是由我使用的不推荐的方法引起的。

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-233-081ed5e89aa4> in <module>()
      3 train_loss=hist.history['loss']
      4 val_loss=hist.history['val_loss']
----> 5 train_acc=hist.history['acc']
      6 val_acc=hist.history['val_acc']
      7 xc=range(nb_epoch)

KeyError: 'acc'

在尝试读取精度之前，我用来拟合模型的代码如下：

hist = model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
            verbose=1, validation_data=(X_test, Y_test))


hist = model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, 
            verbose=1, validation_split=0.2)

它在运行时生成此输出：

Epoch 1/20
237/237 [==============================] - 104s 440ms/step - loss: 6.2802 - val_loss: 2.4209
    .....
    .....
    .....
Epoch 19/20
    189/189 [==============================] - 91s 480ms/step - loss: 0.0590 - val_loss: 0.2193
    Epoch 20/20
    189/189 [==============================] - 85s 451ms/step - loss: 0.0201 - val_loss: 0.2312

我注意到我运行的是不推荐使用的方法和参数。

那么，我怎样才能在不需要再次拟合和等待几个小时的情况下读取精度和valúu精度呢？我试着用train_acc=hist.history['accuracy']替换train_acc=hist.history['acc']，但没有用。

Answer 1

1. 编译模型时添加一个metrics=['accurity']

2. 只需获得上一个历元的精度。hist.history.get（'acc'）[-1]

3. 实际上，我要做的是使用GridSearchCV，然后获取best_score嫒参数来打印最佳指标

Answer 2

刚刚在tensorflow==2.0.0中试过。结果如下：

打了个培训电话，比如：

history = model.fit(train_data, train_labels, epochs=100,
                    validation_data=(test_images, test_labels))

上述调用的最终精度如下：

history.history['accuracy']

打印整个dicthistory.history将提供所有包含值的概述。 您将发现一行中报告的所有值，例如：

7570/7570 [==============================] - 42s 6ms/sample - loss: 1.1612 - accuracy: 0.5715 - val_loss: 0.5541 - val_accuracy: 0.8300

可以从听写中读出

为了完整起见，我创建了如下模型：

model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.0001,
                                       beta_1=0.9,
                                       beta_2=0.999,
                                       epsilon=1e-07,
                                       amsgrad=False,
                                       name='Adam'
                                       ),
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy']

Answer 3

在编译模型时，可能没有添加“acc”作为度量。

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

您可以从任何数据中获取度量和损失，而无需再次培训，方法是：

model.evaluate(X, Y)