预测准确度较低，即 52%，而训练期间的训练和验证准确度约为 92%

Question

我正在使用预训练的 VGG19 来训练模型。在训练时，我的准确率约为 92%（训练和验证）。

vgg19 = VGG19(input_shape=IMAGE_SIZE, weights='imagenet', include_top=False)
for layer in vgg19.layers:
    layer.trainable = False

x = Flatten()(vgg19.output)
prediction = Dense(len(folders), activation='softmax')(x)
model = Model(inputs=vgg19.input, outputs=prediction)

model.compile(loss='categorical_crossentropy',
  optimizer=tf.keras.optimizers.Adam(
    learning_rate=0.0005,
    name="Adam"),
  metrics=['accuracy']
)

r = model.fit_generator(
  training_set,
  validation_data=test_set,
  epochs=20,
  steps_per_epoch=len(training_set),
  validation_steps=len(test_set)
)

predictions = model.predict(test_set, steps = test_set.n // 31, verbose=1)

y_pred = []
for i in predictions:
  y_pred.append(int(np.argmax(i)))
y_pred = np.asarray(y_pred)

可以从这里查看训练时的准确性。

但是，在预测时，我的准确率仅为 52.33%。

有人可以告诉我我在这里做错了什么吗？ 谢谢！

Answer 1

你的算法似乎缺乏泛化能力。原因之一可能是您用于训练的数据集的大小。更大的数据集，更好的泛化

Answer 2

解决这个问题的方法是：

test_set = test_datagen.flow_from_directory('/content/drive/MyDrive/dataset/Test',
                                            target_size = (224, 224),
                                            batch_size = 32,
                                            class_mode = 'categorical',
                                            shuffle=False)

我没有在

shuffle=False

中添加

flow_from_directory

，默认情况下保留

shuffle=True

，这就是我在预测时准确性较低的原因。

我希望它能帮助任何犯同样错误的人！

Answer 3

我也长期面临同样的问题。为了增加训练样本，我离线增加了数据。就我而言，我在 model.predict() 中传递模型在训练时已经看到的相同图像。我的训练集由增强图像 + 原始图像组成，但是当我检查原始图像的预测时，得到的预测准确度仅为 61%。我的模型性能如下。

0级： 精度：0.991 召回率：0.999 F1 分数：0.995

第一类： 精度：0.997 召回率：1.000 F1 分数：0.999

第二类： 精度：0.999 召回率：0.993 F1 分数：0.996

第3类： 精度：1.000 召回率：0.996 F1 分数：0.998

整体准确度：0.991 总损失：0.024

如果我使用训练中使用的相同图像，那么与验证集相比，model.predict 应该给出接近的准确度。为什么这么低？

任何立即回复将不胜感激！