如何计算 Keras 中训练准确率的平均值？

Question

我正在尝试计算用 KERAS 编写的 y 模型中训练准确度的平均值，我有 200 个 epoch。所以最后我想将每个时期的每个训练精度与前一个相加，然后除以 200..

这是我的代码

num = 200
total_sum = 0
for n in range(num):
    avg_train=np.array(model.fit(x_train,y_train, epochs=200, batch_size=64, verbose=2))
    total_sum = avg_train + total_sum
avg = total_sum/num

score=model.evaluate(x_test, y_test, verbose=2)
print(score)
print('the average is',avg)

我试图将每个精度存储在一个 numpy 数组中，以便能够在求和运算中使用它，但它给了我以下错误

Traceback (most recent call last):
  File "G:\Master Implementation\MLPADAM.py", line 87, in <module>
    total_sum = avg_train + total_sum
TypeError: unsupported operand type(s) for +: 'History' and 'int' 

Answer 1

您的问题有几个问题...

首先，您的代码将适合具有 200 个 epoch 的模型 200 次，即总共 200*200 = 40,000 个 epoch。

此外，由于 Keras 中的 model.fit 是增量运行的，因此循环中每次调用 model.fit 都会从上一次迭代停止的地方继续训练，因此最终您确实会拥有一个适合 40,000 个 epoch 的模型。

假设这不是您想要做的，而您只是想要训练期间的平均准确率，答案是使用model.fit 返回的History 对象；来自model.fit docs：

退货

History 对象。它的History.history 属性记录了连续 epoch 的训练损失值和指标值，以及验证损失值和验证指标值（如果适用）。

所以，这里有一个 MNIST 的快速演示，只有 5 个 epoch（忘记 for 循环！）：

# your model definition
# your model.compile()

batch_size = 128
epochs = 5

hist = model.fit(x_train, y_train,
      batch_size=batch_size,
      epochs=epochs,
      verbose=1,
      validation_data=(x_test, y_test)  # optional
      )

# output
Train on 60000 samples, validate on 10000 samples
Epoch 1/5
60000/60000 [==============================] - 76s - loss: 0.3367 - acc: 0.8974 - val_loss: 0.0765 - val_acc: 0.9742
Epoch 2/5
60000/60000 [==============================] - 73s - loss: 0.1164 - acc: 0.9656 - val_loss: 0.0516 - val_acc: 0.9835
Epoch 3/5
60000/60000 [==============================] - 74s - loss: 0.0866 - acc: 0.9741 - val_loss: 0.0411 - val_acc: 0.9863
Epoch 4/5
60000/60000 [==============================] - 73s - loss: 0.0730 - acc: 0.9781 - val_loss: 0.0376 - val_acc: 0.9871
Epoch 5/5
60000/60000 [==============================] - 73s - loss: 0.0639 - acc: 0.9810 - val_loss: 0.0354 - val_acc: 0.9881

hist.history 是一个字典，其中包含每个时期的指标值：

hist.history
# result:
{'acc': [0.8973833333969117,
  0.9656000000635783,
  0.9740500000317891,
  0.9780500000635783,
  0.9810333334604899],
 'loss': [0.3367467244784037,
  0.11638248273332914,
  0.08664042545557023,
  0.07301943883101146,
  0.06391783343354861],
 'val_acc': [0.9742, 0.9835, 0.9863, 0.9871, 0.9881],
 'val_loss': [0.07650674062222243,
  0.051606363496184346,
  0.04107686730045825,
  0.03761903735231608,
  0.03537947320453823]}

要获得每个 epoch 的训练精度：

hist.history['acc']
# result:
[0.8973833333969117,
 0.9656000000635783,
 0.9740500000317891,
 0.9780500000635783,
 0.9810333334604899]

而平均值很简单

np.mean(hist.history['acc']) # numpy assumed imported as np
# 0.9592233334032695