Question

keras训练完模型，为什么对训练集进行evaluate和训练时的loss完全不一样？白训练了吗？

如图1所示，我用keras建立好了model,用model.fit进行训练，显示训练集的数据loss已经接近1*e-5,而且第二个输出的性能度量 准确性已经是1了，然而接下来用model.evaluate对同样的训练集 （训 练 集！不是测试集，一共就400多条数据）进行测试，在过拟合的情况下理论上应该已经完美拟合了才对，然而实际情况如图2 ，就跟没训练过一样……这是为什么呢





Answer 1

问题简述：
在keras框架下使用model.fit得到的训练准确率和损失表现都非常好，但是在相同的训练集上使用model.evaluate得到的准确率和损失都非常差
keras中的model.fit和model.evaluate在同样的数据集上的准确率acc和损失值loss存在巨大的差异
https://github.com/keras-team/keras/issues/6977
上面的github链接讨论了多种可能，
1.model.fit和model.evaluate的batch_size不匹配：model.fit时若指定了batch_size，在使用model.evaluate时的batch_size默认为16，而使用model.evaluate时并未设置与使用model.fit时同样的batch_size。解释大概为不同的batch_size的BatchNormalizaiton会产生不同的效果不同(当然在神经网络中存在BatchNormalization层时）
结果：匹配batch_size了也无效
2.dropout,batchnorm的影响：model.fit时的dropout层是设置dropout参数的，比如说0.5，而model.evaluate设置的dropout参数为1，keras在使用这两个function的时候会呈现两种模式

追问

真的是BN层的问题！把BN层消掉会改善很多！NB！