当使用model.fit=1时，历史记录与()日志不匹配

Question

我正在训练一个函数API模型，我的模型如下:数据总数为1094，训练:有效:测试比率为7: 2: 1。

def bonepool():
    bonepool_input = Input(shape = (1024, 256, 1))
    x = Conv2D(4, 3, padding = 'same', strides = (1,1), activation = 'relu')(bonepool_input)
    x = Conv2D(4, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = MaxPooling2D(2, strides = (2, 2))(x)
    x = Conv2D(8, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = Conv2D(8, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = MaxPooling2D(2, strides = (2, 2))(x)
    x = Conv2D(16, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = Conv2D(16, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = MaxPooling2D(2, strides = (2, 2))(x)
    x = Conv2D(32, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = Conv2D(32, 3, padding = 'same', strides = (1,1), activation = 'relu')(x)
    x = MaxPooling2D(2, strides = (2, 2))(x)
    boonepool_output = Flatten()(x)
    return Model(bonepool_input, bonepool_output)
model_1 = bonepool()
model_2 = bonepool()
concate = average([model_1.output, model_2.output])
x = Dense(128, activation = 'relu')(concate)
x = Dense(128, activation = 'relu')(x)
x = Dense(64, activation = 'relu')(x)
output = Dense(1, activation = 'sigmoid')
ensemble_model = Model([model_1.input, model_2.input], output)

利用f1score实现了精确性、召回性、keras.backend功能。我像这样编译了我的模型，并在拟合了模型之后检查了历史。但出了点问题。

 opt = Adam(learning rate = 0.01)
 Class_wegiht = {0:4, 1:0.5}
 ensemble_model.compile(loss = 'binary_crossentropy', optimizer = opt, metrics = ['accuracy', precision, recall, f1score])
 hist = ensemble_model.fit(train, batch_size= BATCH_SIZE, epochs = 10, stepts_per_epoch = train__len__(), class_weight = Class_weight, validation_data = valid, validation_steps = valid.__len__(), verbose = 1)

结果是(我删除了所有其他相关值)

1/1047/47 ========================================损耗: 0.1427，精度= 0.8765，

2/10 47/47 ========================================损耗: 0.8736，精度= 0.3987，

时间3/10 47/47 ========================================损耗: 0.1563，精度= 0.8655，

4/10 47/47 ========================================损耗: 0.1125，精度= 0.8788，.

但当我印刷历史的时候，

hist.history['accuracy']

前四个值与model.fit()的日志不一样

0.8211，0.3712，0.7764，0.8853 .

同样的问题也适用于损失，f1score，召回，精度，valid_loss，valid_accuracy，valid_f1score，valid_recall，.等。

但是，当我将详细内容从1改为2时，model.fit()日志的所有值都与hist.history完全相同。

有人说model.fit()缺少last_output，所以model.fit()和历史之间可能有细微的差别，但当我作为我的模型时，它们之间的差异有时超过3.0(损失4.2，而那个时代的历史‘损失’只有1.2)，我认为这不是一个微小的差别。

如果这是平均值和last_output之间的问题，那么即使我使用顺序模型，使用verbose=0和verbose=1的model.fit()日志也应该是不同的。但是，当我使用顺序模型而不是函数模型时，三个值( model.fit日志(详细信息= 0)、model.fit日志(详细信息= 1)、hist.history)完全相同。

因此，我怀疑在使用函数API时，结果(准确性、精确性、回忆性、f1score等)。verbose=1所显示的总是不同于verbose=2的，历史总是与后者相匹配，而不是前者。是对的吗？如果不是，有人能告诉我我错过了什么吗？

Answer 1

你的推测似乎是对的。你从损失和其他指标中得到的

hist.history

都是时代的平均值。但是，如果使用详细的1，日志(输出打印)文件可能与历史记录不匹配，因为它们是在每批之后更新的。你需要相信的是：

hist.history

请记住，在优化权重的同时，训练集的值是按时代计算的，这意味着与历史上的训练集有关的值可能不匹配：

ensemble_model.evaluate(train)