Keras中categorical_accuracy指标的输出含义咨询

嘿，其实你已经抓到了最关键的线索——model.metrics_names！这个属性直接帮你精准对应train_on_batch（包括fit这类训练方法）返回的每个数值到底代表什么：

• 返回的第一个数值永远是你编译时指定的损失函数结果（也就是你例子里的categorical_crossentropy），对应metrics_names列表的第一个元素loss
• 返回的第二个数值就是你指定的评估指标的计算结果，对应metrics_names列表的第二个元素

拿你的场景举例：

1. 当你用model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])编译时，model.metrics_names会输出['loss', 'accuracy']，所以tr_loss, tr_acc = model.train_on_batch(X, Y)里的tr_acc就是通用准确率的计算值
2. 当你换成metrics=['categorical_accuracy']时，model.metrics_names变成['loss', 'categorical_accuracy']，这时候返回的第二个数值就是分类专属准确率的结果

顺便补充个小知识点帮你区分这两个准确率：

• accuracy是个“智能”的通用指标，Keras会自动根据你的标签格式适配计算逻辑——如果标签是独热编码（比如多分类里每个样本对应一个只有正确类别为1的向量），它和categorical_accuracy结果完全一致；如果标签是整数形式（比如直接用0、1、2代表类别），它会自动切换成sparse_categorical_accuracy的计算方式
• categorical_accuracy则是专门为独热编码标签设计的，只有当标签是这种格式时，它的计算才是准确的

总结一下：以后不确定返回值含义时，直接打印model.metrics_names，列表里的元素顺序和训练方法返回的数值顺序完全对应，再也不用瞎猜啦～

内容的提问来源于stack exchange，提问作者Boppity Bop