我一直在使用Keras进行二分类，采用Python中的Tensorflow后端。我的模型是这样的创建的：

model = Sequential()model.add(Dense(1000, input_dim=168319))model.add(Dense(units=1, activation='sigmoid'))model.compile(loss="binary_crossentropy",          optimizer="adam",          metrics=['accuracy'])

训练后的结果看起来像这样：

342/1342 [==============================] - 79s 59ms/step - loss: 0.0586 - acc: 0.9911 - val_loss: 0.4632 - val_acc: 0.8169

如果我使用我的网络来预测一个样本，它会给我一个在[0,1]之间的数，这也是应该的，因为我对输出神经元使用了sigmoid激活函数。我的输出在预测6个应该属于类别1的样本后的一个例子看起来像这样：

[[1.        ][1.        ][0.99997437][0.18694757][0.18712251][0.9491884 ]]

由于结果都是0到1之间的浮点数，我一直在想Keras是如何计算验证准确率的。验证准确率是用未用于训练的测试样本来测量的。如这里所提到的Keras如何计算验证准确率和训练准确率？，验证准确率是通过(正确猜测的数量)/(总猜测数量)计算的。

我的问题是，Keras如何决定猜测属于哪个类别，何时被认为是“正确”的。它是在0.5时向上取整吗？还是0到1之间的一切都被分类为“错误的猜测”（那么我期望验证准确率的数字会低得多）？

回答：

由于你使用的是binary_crossentropy，在这种情况下，你的六个类别是分别评估的。对于每个类别，大于0.5的值被设为1，小于0.5的值被设为0。如果你使用的是categorical_crossentropy，那么只有一个类别可以是1。哪个类别的概率最高就会被设为1，其余的将被设为0。如果你仔细想想，binary情况只是categorical情况的一个特殊情况。最高值被设为1。因此，只有当预测值大于0.5时，预测值才被设为1。

更多信息，请查看binary_accuracy，在github.com/keras-team/keras/blob/master/keras/metrics.py中。