我正在尝试计算用Keras编写的模型的训练准确率的平均值，我的模型有200个epoch。所以最后我想将每个epoch的训练准确率与前一个相加，然后除以200..
这是我的代码
num = 200total_sum = 0for n in range(num): avg_train=np.array(model.fit(x_train,y_train, epochs=200, batch_size=64, verbose=2)) total_sum = avg_train + total_sumavg = total_sum/numscore=model.evaluate(x_test, y_test, verbose=2)print(score)print('the average is',avg)我试图将每个准确率存储在一个numpy数组中，以便在求和操作中使用它，但它给我以下错误
Traceback (most recent call last): File "G:\Master Implementation\MLPADAM.py", line 87, in <module> total_sum = avg_train + total_sumTypeError: unsupported operand type(s) for +: 'History' and 'int' 回答：
你的问题存在几个问题…
首先，你的代码将模型拟合200次，每次200个epoch，总共200*200 = 40,000个epoch。
此外，由于Keras中的model.fit是增量运行的，你循环中的每次model.fit调用都会从上次迭代停止的地方继续训练，因此实际上最后你确实会得到一个经过40,000个epoch拟合的模型。
假设这不是你想要做的，而是你只想得到训练期间的平均准确率，答案是使用model.fit返回的History对象；从model.fit文档中可以看到：
返回值
一个
History对象。其History.history属性记录了在连续epoch中的训练损失值和度量值，以及验证损失值和验证度量值（如果适用）。
因此，这里是一个使用MNIST数据集和仅5个epoch的快速演示（并且忘记for循环！）：
# 你的模型定义# 你的model.compile()batch_size = 128epochs = 5hist = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test) # 可选 )# 输出Train on 60000 samples, validate on 10000 samplesEpoch 1/560000/60000 [==============================] - 76s - loss: 0.3367 - acc: 0.8974 - val_loss: 0.0765 - val_acc: 0.9742Epoch 2/560000/60000 [==============================] - 73s - loss: 0.1164 - acc: 0.9656 - val_loss: 0.0516 - val_acc: 0.9835Epoch 3/560000/60000 [==============================] - 74s - loss: 0.0866 - acc: 0.9741 - val_loss: 0.0411 - val_acc: 0.9863Epoch 4/560000/60000 [==============================] - 73s - loss: 0.0730 - acc: 0.9781 - val_loss: 0.0376 - val_acc: 0.9871Epoch 5/560000/60000 [==============================] - 73s - loss: 0.0639 - acc: 0.9810 - val_loss: 0.0354 - val_acc: 0.9881hist.history是一个包含每个epoch的度量值的字典：
hist.history# 结果:{'acc': [0.8973833333969117, 0.9656000000635783, 0.9740500000317891, 0.9780500000635783, 0.9810333334604899], 'loss': [0.3367467244784037, 0.11638248273332914, 0.08664042545557023, 0.07301943883101146, 0.06391783343354861], 'val_acc': [0.9742, 0.9835, 0.9863, 0.9871, 0.9881], 'val_loss': [0.07650674062222243, 0.051606363496184346, 0.04107686730045825, 0.03761903735231608, 0.03537947320453823]}要获取每个epoch的训练准确率：
hist.history['acc']# 结果:[0.8973833333969117, 0.9656000000635783, 0.9740500000317891, 0.9780500000635783, 0.9810333334604899]平均值简单地计算为
np.mean(hist.history['acc']) # 假设已导入numpy为np# 0.9592233334032695