Keras模型.在使用ImageDataGenerator时，评估精度停留在50%

Question

我正在尝试使用model.evaluate找到我保存的Keras模型的准确性。

我已经加载了我的模型使用这个:

model = keras.models.load_model("../input/modelpred/2_convPerSection_4_sections")

我有一个CSV文件，其中有两列，一列用于图像的文件名，另一列用于标签。下面是一个示例:

id,label
95d04f434d05c1565abdd1cbf250499920ae8ecf.tif,0
169d0a4a1dbd477f9c1a00cd090eff28ac9ef2c1.tif,0
51cb2710ab9a05569bbdedd838293c37748772db.tif,1
4bbb675f8fde60e7f23b3354ee8df223d952c83c.tif,1
667a242a7a02095f25e0833d83062e8d14a897cd.tif,0

我已将此CSV加载到pandas数据框架中，并将其馈送到ImageDataGenerator:

df = pd.read_csv("../input/cancercsv/df_test.csv", dtype=object)
test_path = "../input/histopathologic-cancer-detection/train"
test_data_generator = ImageDataGenerator(rescale=1./255).flow_from_dataframe(dataframe = df,
            directory=test_path,
            x_col = "id",
            y_col = "label",
            target_size=(96,96),
            batch_size=16,
            shuffle=False)

现在我试着评估我的模型使用:

val = model.evaluate(test_data_generator, verbose = 1)
print(val)

然而，准确率并没有从50%改变，但是，我的模型在训练时具有90%的验证准确率。

返回的结果如下:

163/625 [======>.......................] - ETA: 21s - loss: 1.1644 - accuracy: 0.5000

通过使用matplotlib和scikit-learn创建ROC曲线，我能够确保我的模型工作并且生成器正确地馈送数据，这产生了90%的AUC，所以我不确定问题在哪里:

predictions = model.predict_generator(test_data_generator, steps=len(test_data_generator), verbose = 1)
false_positive_rate, true_positive_rate, threshold = roc_curve(test_data_generator.classes, np.round(predictions))
area_under_curve = auc(false_positive_rate, true_positive_rate)
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(false_positive_rate, true_positive_rate, label='AUC = {:.3f}'.format(area_under_curve))
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve')
plt.legend(loc='best')
plt.show()

类似的问题说，问题来自于将imagedataggenerator中的shuffle参数设置为True，但我的问题一直设置为False。另一个类似的问题是通过使用sigmoid激活而不是softmax重新训练来修复的，但我在最后一层使用了sigmoid，所以这不是问题

这是我第一次使用Keras。我做错了什么?

Answer 1

问题是由于流量函数中的class_mode参数。默认为categorical。

设置为binary解决了这个问题。纠正代码:

test_data_generator = ImageDataGenerator(rescale=1./255).flow_from_dataframe(dataframe = df,
            directory=test_path,
            x_col = "id",
            y_col = "label",
           class_mode = 'binary',
            target_size=(96,96),
            batch_size=16,
            shuffle=False)