Keras：多类 NLP 任务中 model.evaluate 与 model.predict 的准确性差异

我正在使用以下代码在 keras 中为 NLP 任务训练一个简单模型。训练集、测试集和验证集的变量名称是不言自明的。该数据集有 19 个类，因此网络的最后一层有 19 个输出。标签也是 one-hot 编码的。

nb_classes = 19
model1 = Sequential()
model1.add(Embedding(nb_words,
                     EMBEDDING_DIM,
                     weights=[embedding_matrix],
                     input_length=MAX_SEQUENCE_LENGTH,
                     trainable=False))
model1.add(LSTM(num_lstm, dropout=rate_drop_lstm, recurrent_dropout=rate_drop_lstm))
model1.add(Dropout(rate_drop_dense))
model1.add(BatchNormalization())
model1.add(Dense(num_dense, activation=act))
model1.add(Dropout(rate_drop_dense))
model1.add(BatchNormalization())

model1.add(Dense(nb_classes, activation = 'sigmoid'))


model1.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
#One hot encode all labels
ytrain_enc = np_utils.to_categorical(train_labels)
yval_enc = np_utils.to_categorical(val_labels)
ytestenc = np_utils.to_categorical(test_labels)

model1.fit(train_data, ytrain_enc,
             validation_data=(val_data, yval_enc),
             epochs=200,
             batch_size=384,
             shuffle=True,
             verbose=1)

在第一个纪元之后，这给了我这些输出。

Epoch 1/200
216632/216632 [==============================] - 2442s - loss: 0.1427 - acc: 0.9443 - val_loss: 0.0526 - val_acc: 0.9826

然后我在测试数据集上评估我的模型，这也显示了大约 0.98 的准确度。

model1.evaluate(test_data, y = ytestenc, batch_size=384, verbose=1)

然而，标签是一次性编码的，所以我需要类的预测向量，以便我可以生成混淆矩阵等。所以我使用，

PREDICTED_CLASSES = model1.predict_classes(test_data, batch_size=384, verbose=1)
temp = sum(test_labels == PREDICTED_CLASSES)
temp/len(test_labels)
0.83

这表明总预测类别的准确率为 83%model1.evaluate显示 98% 的准确率！我在这里做错了什么？我的损失函数适合分类类别标签吗？我的选择是sigmoid预测层的激活函数好吗？或者 keras 评估模型的方式有差异？请提出可能出现问题的建议。这是我第一次尝试制作深度模型，所以我对这里的问题不太了解。

我已经找到问题了。metrics=['accuracy']根据成本函数自动计算准确性。所以使用binary_crossentropy显示二进制准确性，而不是分类准确性。使用categorical_crossentropy自动切换到分类精度，现在与使用手动计算相同model1.predict()。 Yu-Yang正确地指出了多类问题的成本函数和激活函数。

P.S：可以通过使用获得分类精度和二进制精度metrics=['binary_accuracy', 'categorical_accuracy']