运行分类准确率计算代码报数组真值歧义ValueError的问题排查

报错触发的直接原因是判断条件的写法错误：
model.predict(X_val)返回的y_pred形状为(样本数, 类别数)，每个元素对应单样本属于某一类的预测概率，因此y_pred[i]是长度等于类别数的一维数组。将其和y_val[i]做==比较时，返回的是同长度的布尔值数组，而非单个True/False，Python无法直接将多元素布尔数组作为判断条件的真值，因此抛出ValueError: The truth value of an array with more than one element is ambiguous。

代码本身还有两处逻辑疏漏：

• 你已经提前通过np.argmax(y_pred,axis=1)计算得到了每个样本的预测类别索引，存在classes变量中，但判断时完全没有调用该变量。
• 若验证集标签y_val是one-hot编码格式，同样是多元素数组格式，无法直接和类别索引做相等判断，需要提前转换为类别索引格式。

最小改动版本（保留原有循环逻辑） #

只需要把判断条件中的原始预测概率，替换为提前计算好的预测类别，同时对one-hot格式的标签做转换即可：

import numpy as np

y_pred = model.predict(X_val)
# 预测类别索引
pred_classes = np.argmax(y_pred, axis=1)
# 若y_val已经是类别索引格式（形状为(样本数,)），直接赋值即可，无需argmax
true_classes = np.argmax(y_val, axis=1) if len(y_val.shape) > 1 else y_val

acc_test = 0
for i in range(X_val.shape[0]):
    # 两个单值做比较，返回单个布尔值，不会触发报错
    if pred_classes[i] == true_classes[i]:
        acc_test = acc_test + 1

print("Accuracy test : ", acc_test / X_val.shape[0] * 100)

简洁向量化版本（推荐，运行效率更高） #

不需要手写循环，直接用numpy的向量化运算统计准确率，样本量较大时速度远快于for循环：

import numpy as np

y_pred = model.predict(X_val)
pred_classes = np.argmax(y_pred, axis=1)
true_classes = np.argmax(y_val, axis=1) if len(y_val.shape) > 1 else y_val

# 直接计算预测正确的样本占比
acc_test = np.mean(pred_classes == true_classes) * 100
print("Accuracy test : ", acc_test)

内容的提问来源于stack exchange，提问作者Haris Sohail