keras v1.2.2 与 keras v2+ 的奇怪行为（准确性存在巨大差异）

Question

今天我运行了解了 Keras 的一些非常 st运行ge 行为。当我尝试使用简单模型对 iris 数据集进行 class化运行时，keras 版本 1.2.2 给我 +- 95% 的准确度，而 keras 版本的2.0+ 为每个训练示例预测相同的 class（导致准确度为 +- 35%，因为有三种类型的虹膜）。唯一让我的模型预测 +-95% 准确度的事情是将 keras 降级到 2.0 以下的版本：

我认为是Keras的问题，因为我已经尝试了以下的东西，都没有什么区别；

在最后一层切换激活函数（从 Sigmoid 到 softmax）。
切换后端（Theano 和 Tensorflow 的性能大致相同）。
使用运行dom 种子。
改变隐藏层中的神经元数量（我在这个简单模型中只有 1 个隐藏层）。
切换损失函数。

由于模型非常简单并且运行是独立的（您只需要易于获取的 iris.csv 数据集），我决定包含整个代码；

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from keras.utils import np_utils
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import LabelEncoder

#Load data
data_frame = pd.read_csv("iris.csv", header=None)
data_set = data_frame.values
X = data_set[:, 0:4].astype(float)
Y = data_set[:, 4]

#Encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)

# convert integers to dummy variables (i.e. one hot encoded)
dummy_y = np_utils.to_categorical(encoded_Y)

def baseline_model():
    #Create & Compile model
    model = Sequential()
    model.add(Dense(8, input_dim=4, init='normal', activation='relu'))
    model.add(Dense(3, init='normal', activation='sigmoid'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

#Create Wrapper For Neural Network Model For Use in scikit-learn
estimator = KerasClassifier(build_fn=baseline_model, nb_epoch=200, batch_size=5, verbose=0)

#Create kfolds-cross validation
kfold = KFold(n_splits=10, shuffle=True)

#Evaluate our model (Estimator) on dataset (X and dummy_y) using a 10-fold cross-validation procedure (kfold).
results = cross_val_score(estimator, X, dummy_y, cv=kfold)
print("Accuracy: {:2f}% ({:2f}%)".format(results.mean()*100, results.std()*100))

如果有人想在此处复制错误，请使用我用来观察问题的依赖项：

numpy=1.16.4
pandas=0.25.0
sk-learn=0.21.2
theano=1.0.4
tensorflow=1.14.0

Answer 1

如果您将 nb_epoch 更改为 epochs，（所有其他条件完全相同），我已经设法找出问题所在，模型再次预测得非常好，在 keras 2 中也是如此。我不知道这是预期行为还是错误。

Answer 2

在 Keras 2.0 中，许多参数更改了名称，有兼容层来保持工作正常，但不知何故在使用 KerasClassifier 时不适用。

这部分代码：

estimator = KerasClassifier(build_fn=baseline_model, nb_epoch=200, batch_size=5, verbose=0)

您使用的是旧名称 nb_epoch 而不是现代名称 epochs。默认值为 epochs=1，这意味着您的模型只接受了一个时期的训练，产生了非常低质量的预测。

这里还要注意：

model.add(Dense(3, init='normal', activation='sigmoid'))

您应该使用 softmax 激活而不是 sigmoid，因为您使用的是分类交叉熵损失：

model.add(Dense(3, init='normal', activation='softmax'))

keras v1.2.2 与 keras v2+ 的奇怪行为（准确性存在巨大差异）

Strange behavior of keras v1.2.2 vs. keras v2+ (HUGE differences in accuracy)

python

tensorflow

keras

neural-network

theano