准确率较低，即预测准确率为52%，而训练期间的训练和验证准确率约为92%

Question

我正在使用预先训练好的VGG19来训练模型。在训练时，我得到了92%左右的良好准确率(包括训练和验证)。

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)

训练时的准确性可以从这里查看。

​

然而，当我预测的时候，我得到的准确率只有52.33%。

有人能告诉我我哪里做错了吗？谢谢!

Answer 1

此问题的解决方案是：

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

我没有在默认情况下保留shuffle=True的flow_from_directory中添加shuffle=False，这就是我在预测时准确率较低的原因。

我希望它能帮助任何犯同样错误的人！

Answer 2

看来你的算法缺乏泛化能力。其中一个原因可能是用于训练的数据集的大小。数据集越大，泛化效果越好