Deep Learning With Keras 简明教程
Evaluating Model Performance
要评估模型性能，我们调用 evaluate 方法如下 −
loss_and_metrics = model.evaluate(X_test, Y_test, verbose=2)要评估模型性能，我们调用 evaluate 方法如下 −
loss_and_metrics = model.evaluate(X_test, Y_test, verbose=2)我们将使用以下两个语句打印损失和准确率 −
print("Test Loss", loss_and_metrics[0])
print("Test Accuracy", loss_and_metrics[1])运行以上语句时，您会看到以下输出 −
Test Loss 0.08041584826191042
Test Accuracy 0.9837这显示了 98% 的测试准确率，这对于我们来说是可接受的。这对于我们来说意味着，在 2% 的情况下，手写数字将无法正确分类。我们还将绘制准确率和损失指标，以查看模型在测试数据上的表现。
Plotting Accuracy Metrics
我们在训练期间记录了 history 来获取准确性指标的绘图。以下代码将在每个时期绘制准确性。我们挑选训练数据准确率 (“acc”) 和验证数据准确率 (“val_acc”) 来作图。
plot.subplot(2,1,1)
plot.plot(history.history['acc'])
plot.plot(history.history['val_acc'])
plot.title('model accuracy')
plot.ylabel('accuracy')
plot.xlabel('epoch')
plot.legend(['train', 'test'], loc='lower right')输出图如下所示：
正如您在图表中所看到的，准确性在前两个历元中迅速提高，表明网络正在快速学习。之后，曲线变平，表明训练模型无需太多历元。通常，如果训练数据准确性（“acc”）持续提高，而验证数据准确性（“val_acc”）变差，则表明遇到过度拟合。它表明模型开始记住数据。
我们还将绘制损失指标以检查模型的性能。
Plotting Loss Metrics
同样，我们绘制训练（“loss”）和测试（“val_loss”）数据集上的损失。这是使用以下代码完成的：
plot.subplot(2,1,2)
plot.plot(history.history['loss'])
plot.plot(history.history['val_loss'])
plot.title('model loss')
plot.ylabel('loss')
plot.xlabel('epoch')
plot.legend(['train', 'test'], loc='upper right')此代码的输出如下所示：
正如您在图表中所看到的，训练集上的损失在前两个历元中迅速下降。对于测试集，损失不会像训练集那样以相同速率下降，而是保持在多个历元中几乎持平。这意味着我们的模型可以很好地推广到看不见的数据。
现在，我们将使用训练好的模型来预测测试数据中的数字。