为什么在 Keras 的 model.evaluate() 中，损失用于计算准确性？答案

【问题标题】：Why in model.evaluate() from Keras the loss is used to calculate accuracy?为什么在 Keras 的 model.evaluate() 中，损失用于计算准确性？
【发布时间】：2019-02-18 04:48:59
【问题描述】：

这可能是一个愚蠢的问题，但是：

我注意到损失函数的选择会改变评估过程中获得的准确度。

我认为损失仅在训练期间使用，当然它取决于模型在进行预测方面的优劣，而不是准确性，即正确预测的数量相对于样本总数。

EDIT

我没有正确地解释我的自我。

我的问题是因为我最近训练了一个带有 binary_crossentropy 损失的模型，并且来自 model.evaluate() 的准确度为 96%。 但它不正确！ 我“手动”检查，模型得到了总预测的 44%。然后我改成categorical_crossentropy，然后准确率就对了。

MAYBE ANSWER 来自：another question

我发现了问题。 metrics=['accuracy'] 根据成本函数自动计算准确性。所以使用 binary_crossentropy 显示二进制精度，而不是分类精度。使用 categorical_crossentropy 会自动切换到分类精度，现在它与使用 model1.predict() 手动计算相同。

【问题讨论】：

您是如何手动检查的？因为二进制交叉熵会改变使用的准确度指标，所以对于二进制 CE，keras 将对输出进行阈值/舍入以产生二进制预测。
我在测试集上使用predict_classes 检查并计算correct_predictions/total_predictions。也许它会像你建议的那样使用精确的指标，我使用的是metrics=['accuracy']，而不是我应该使用categorical accuracy

标签： keras loss-function

【解决方案1】：

模型试图最小化选择的损失函数。它调整权重来做到这一点。不同的损失函数导致不同的权重。

这些权重决定了在样本总数中做出了多少正确预测。所以看到选择的损失函数会影响模型的准确性是正确的行为。

【讨论】：

我没有正确解释自己。我的问题来了，因为我最近训练了一个带有 binary_crossentropy 损失的模型，并且来自 model.evaluate() 的准确率是 96%。但这不正确！我“手动”检查，模型得到了总预测的 44%。然后我改成categorical_crossentropy然后准确率就对了。

【解决方案2】：

Keras 根据您的损失函数选择要使用的性能指标。当您使用 binary_crossentropy 时，它虽然使用 binary_accuracy，但它的计算方式与 categorical_accuracy 不同。如果您有多个输出神经元，则应始终使用 categorical_crossentropy。

【讨论】：

【解决方案3】：

发件人：another question

我发现了问题。 metrics=['accuracy'] 计算准确度自动从成本函数。所以使用 binary_crossentropy 显示二进制精度，而不是分类精度。使用 categorical_crossentropy 自动切换到分类准确性，现在它与使用手动计算的相同 model1.predict().

【讨论】：