我的模型是这样的

print('Build main model...')model = Sequential()model.add(Merge([left, right], mode='sum'))model.add(Dense(14, activation='softmax'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])            

当我使用 model.evaluate([xtest1, xtest2], y_test) 时，我得到了90%的准确率，但是当我使用 model.predict_classes([x_test1, x_xtest2]) 时，我得到了完全错误的类别标签，导致我的准确率显著下降。 model.evaluate 和 model.predict_classes 之间的区别是什么？我在哪里犯了错误？

回答：

由于你在模型编译中请求了 loss='binary_cross_entropy' 和 metric=['accuracy']，Keras 推断你对二元准确率感兴趣，这是 model.evaluate() 返回的值；实际上，由于你有14个类别，你实际上对分类准确率感兴趣，这是通过 model.predict_classes() 报告的。

因此，你应该将模型编译中的损失函数更改为 categorical_crossentropy：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 

如果出于某些原因，你想继续使用 loss='binary_crossentropy'（诚然这将是一个非常不寻常的选择），你应该更改模型编译以明确你想要分类准确率，如下所示：

from keras.metrics import categorical_accuracymodel.compile(loss='binary_crossentropy', optimizer='adam', metrics=[categorical_accuracy])

在这些情况下，你会发现 model.evaluate() 和 model.predict_classes() 报告的准确率是相同的，正如它们应该的那样。

有关更详细的解释和使用 MNIST 数据的示例，请参见我的回答。