Keras model.evaluate_generator 结果几乎是真实准确率的两倍？

Question

更新：请参阅下面的新部分。

当我运行 model.evaluate_generator 时，它给了我 92% 的结果。但是，如果我在每个测试图像上运行 model.predict_classes 并计算正确分类与不正确分类，我得到 49%...

很明显有些不对劲。是我误解了 evaluate_generator 结果，还是我没有做 predict_classes 对？

这里是 model.evaluate_generator 调用（它得到 92%）：

print("test_generator from Directory");
test_generator = test_datagen.flow_from_directory( 
test_dir, 
target_size=(200, 200), 
batch_size=20, 
class_mode='categorical') 

# finally evaluate this model on the test data 
results = model.evaluate_generator( 
test_generator, 
steps=1) 

print('Final test accuracy:', (results[1]*100.0))

为了比较，我测试每个文件并与正确的分类进行比较（得到 49%）：

  img_path = os.path.join(bol, file)
  print(img_path)
  image = load_img(img_path, target_size=(200, 200)) 
  image = img_to_array(image) 
  image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))
  image = preprocess_input(image)
  # classify the image 
  print("classifying image...") 
  y_hat = model.predict_classes(image) 
  print(y_hat[0])
  idtype = newdict[y_hat[0]]  #this part is to match predicted class with true class
  destpath = os.path.join(bol, idtype, file)      
  print(idtype)
  if idtype == cat[1]:
    correct = correct + 1
  count = count + 1
  factor = correct / count
  print(str(count) + " - " + str(correct) + " = " + str(factor))

完整代码在这里：https://s3.eu-west-2.amazonaws.com/klondon/food_6_VGG_aug_plus_id.py.txt

编辑：

在 cmets 中 Matias Valdenegro 的帮助下，我修复了我的代码中的一些错误。它现在使用“Softmax”输出和分类交叉熵损失。完整代码在这里：https://s3.eu-west-2.amazonaws.com/klondon/food_6_VGG_aug_plus_id_cat.py.txt

但是 - 核心问题仍然存在。 evaluate_generator 的结果（现在为 71%）与使用 predict_classes 手动测试相同图像的结果（53%）之间存在巨大差异。

我的代码还有其他问题吗？

编辑 2：

我尝试设置 shuffle=False 和 batch_size = 1 进行测试，但问题仍然存在。 evaluate_generator 仍然返回 ~70% 而 predict_classes 是 ~50%

编辑 3：

这里的固定代码：https://s3.eu-west-2.amazonaws.com/klondon/food_6_VGG_aug_plus_id_fix.py.txt

问题是：我不应该在 predict_classes 中使用 preprocess_input ，除非它也用于训练和验证。另外，我应该使用 image /=255 来匹配训练和验证图像。

Answer 1

修复所有问题后，ImageDataGenerator 中仍然没有 preprocess_input。

因此，您手动加载的图像与生成的图像不同。

使用预处理函数创建ImageDataGenerator：

test_datagen = ImageDataGenerator(preprocessing_function=preprocess_input)

或者从手动加载中删除预处理功能（如果您的模型已经使用此类生成器进行了训练）。