与准确性相比，Keras top_k_categorical_accuracy 指标极低答案

【问题标题】：Keras top_k_categorical_accuracy metric is extremely low compared to accuracy与准确性相比，Keras top_k_categorical_accuracy 指标极低
【发布时间】：2018-09-26 06:53:40
【问题描述】：

我使用 Keras 的 cifar100 数据集创建了一个 CNN 模型。添加 top_k_categorical_accuracy 指标时，我应该看到前 5 个预测类别之一何时是正确类别的准确性。然而，在训练时，top_k_categorical_accuracy 保持非常小，大约 4-5%，因为准确度和验证准确度一直增加到 40-50%。前 5 名的准确度应该比正常准确度高得多，而不是给出非常奇怪的结果。我使用不同的 k 值编写了自己的指标，但仍然是同一个问题。即使我使用 k=1，它应该给出相同的准确度值，也会出现同样的问题。

型号代码：

cnn = Sequential()
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu', input_shape=(train_images.shape[1:])))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(MaxPooling2D(pool_size=2, padding='same'))
cnn.add(Dropout(0.4))

cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Conv2D(filters=200, kernel_size=2, padding='same', activation='relu'))
cnn.add(Dropout(0.4))
cnn.add(MaxPooling2D(pool_size=2, padding='same'))
cnn.add(Dropout(0.5))

cnn.add(Flatten())
cnn.add(Dense(550, activation='relu'))
cnn.add(Dropout(0.4))
cnn.add(Dense(100, activation='softmax'))

编译代码：

cnn.compile(loss='sparse_categorical_crossentropy', optimizer=opt.Adam(lr=learn_rate), metrics=['accuracy', 'top_k_categorical_accuracy'])

【问题讨论】：

标签似乎是稀疏的（即您没有对它们进行一次性编码），因为您使用了sparse_categorical_crossentropy 作为损失。如果是这种情况，那么您需要改用sparse_top_k_categorical_accuracy 作为指标。
哇，甚至没看到。非常感谢。我还在源代码中看到需要将标签从 (samples, 1) 展平为 (samples,)。完成后，它的工作！你是我的朋友的救命稻草。

标签： python tensorflow keras

【解决方案1】：

事实证明，因为我使用的是 sparse_categorical_crossentropy 损失函数，所以我需要使用 sparse_top_k_categorical_accuracy 函数。此指标还要求您的标签被展平为一维。之后，度量是正确的，模型正在训练！

【讨论】：