相同结构同数据集下Keras Sequential与Functional模型准确率差异问题

核心原因：Sequential实现的交叉验证逻辑存在数据泄露，准确率虚高 #

Sequential对应代码中，model_1在全局仅实例化一次，传入KerasClassifier的build_fn直接返回这个已创建的全局模型。在10折交叉验证执行过程中，每一轮折的训练都会复用前一轮训练后更新过的模型权重，不会做初始化重置，相当于前一折的测试数据间接参与了后一折的模型训练，最终得到的0.9以上的准确率是虚假结果，不具备参考价值。

Functional实现的结果是当前配置下的真实表现 #

Functional对应代码中，每次执行交叉验证的单折训练时，都会调用get_model_2()重新初始化一个全新的模型，权重完全重置，不存在数据泄露问题，得到的0.5左右的准确率是当前模型结构、训练参数配置下的真实效果。

额外可修正的训练配置问题 #

除了上述核心差异外，两段代码都存在两处配置错误，也会影响模型收敛效果：

• 标签使用错误：代码中已通过LabelEncoder对原始标签编码得到label变量，但实际传入训练的还是原始未编码的y，如果原始标签为字符串格式，会直接导致标签匹配错误，模型无法正常学习。
• 损失函数配置错误：二分类任务使用binary_crossentropy损失时，输出层为Dense(1)且未添加sigmoid激活，需要将损失函数修改为loss=tf.keras.losses.BinaryCrossentropy(from_logits=True)，否则损失计算逻辑错误，会导致模型无法收敛。

内容的提问来源于stack exchange，提问作者Mohamad Kouhi Moghadam