评估模型性能

为了评估模型性能，我们调用评估方法如下 -

loss_and_metrics = model.evaluate(X_test, Y_test, verbose=2)

为了评估模型性能，我们调用评估方法如下 -

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性 -

print("Test Loss", loss_and_metrics[0])
print("Test Accuracy", loss_and_metrics[1])

当您运行上述语句时，您将看到以下输出 -

Test Loss 0.08041584826191042
Test Accuracy 0.9837

这表明测试准确率为 98%，这应该是我们可以接受的。在 2% 的情况下，手写数字无法被正确分类，这对我们意味着什么。我们还将绘制准确性和损失指标，以了解模型在测试数据上的表现。

绘制准确度指标

我们在训练期间使用记录的历史来获取准确度指标图。以下代码将绘制每个时期的准确性。我们选取训练数据准确性（“acc”）和验证数据准确性（“val_acc”）进行绘图。

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 -

绘制准确度指标

如图所示，前两个 epoch 的准确率迅速提高，表明网络学习速度很快。之后，曲线变平，表明不需要太多的时期来进一步训练模型。一般来说，如果训练数据准确性（“acc”）不断提高，而验证数据准确性（“val_acc”）变得更差，则您会遇到过度拟合。这表明模型开始记忆数据。

我们还将绘制损失指标来检查模型的性能。

绘制损失指标

我们再次在训练（“loss”）和测试（“val_loss”）数据上绘制损失。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')

该代码的输出如下所示 -

绘制损失指标

正如您在图中所看到的，前两个时期训练集上的损失迅速下降。对于测试集，损失不会以与训练集相同的速度下降，但在多个时期内几乎保持平坦。这意味着我们的模型可以很好地推广到未见过的数据。

现在，我们将使用经过训练的模型来预测测试数据中的数字。