Keras调用model.evaluate评估ViT模型时准确率超100%原因

• 你在模型编译阶段错误配置了评估指标：将keras.metrics.SparseCategoricalCrossentropy（稀疏分类交叉熵，属于损失类指标，取值范围为0到正无穷）错误命名为accuracy，没有添加真正的分类准确率计算逻辑。你日志里所有标注为accuracy的数值本质都是交叉熵损失值，不是0~1区间的预测正确比例，乘以100换算成百分比自然会出现超过100%的异常结果，训练阶段显示的3.8、6.5、10.44这类"准确率"数值全是交叉熵值。
• TopK准确率配置完全无效：你的任务总类别数仅为2（代码中定义no_classes = 2），却配置了SparseTopKCategoricalAccuracy(5, name="top-5-accuracy")，要求取预测概率最高的5个类别判断是否包含真实标签——总类别数不足5个时，无论模型输出什么结果，该指标永远为1.0，和你日志里全程top-5准确率固定为100%的现象完全吻合，这个指标没有任何参考价值。
• 连带异常：你设置的模型检查点回调监控的是val_accuracy，由于该值本质是验证集交叉熵而非验证准确率，回调保存的权重根本不是验证集表现最优的模型权重，完全不符合保存最优模型的设计预期。

将model.compile中的metrics配置替换为符合任务要求的正确指标即可，2分类任务的正确配置参考如下：

model.compile(
    optimizer=optimizer,
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[
        keras.metrics.SparseCategoricalAccuracy(name="accuracy"),
        keras.metrics.SparseTopKCategoricalAccuracy(k=2, name="top-2-accuracy"),
    ],
)

修改后重新训练，日志中的accuracy指标会稳定落在0_{1区间，乘以100后就是正常范围0}100%的分类准确率，不会再出现数百 percent 的异常值，模型检查点回调也能正常基于验证准确率保存最优权重。

内容的提问来源于stack exchange，提问作者Md. Muhtadir Rahman