为什么model.fit输出的val_accuracy与CustomCallback打印的accuracy存在差异

核心原因（概率最高） #

• 验证集数据集顺序不匹配：你的CustomCallback中get_map方法是按照固定的self.files_path顺序，将pred_valid的预测结果一一对应做准确率计算，但如果你的val_ds开启了shuffle配置，或者没有固定迭代顺序，两次迭代val_ds（一次是model.fit内部做验证，一次是你回调里调用model.predict(self.val_ds)）得到的样本顺序完全不同，预测结果和你本地的文件标签对应不上，自然准确率计算偏差极大。

修复方案：定义val_ds时明确设置shuffle=False，且配置tf.data.Dataset的确定性参数，保证每次迭代的样本顺序完全一致。

其他可能原因 #

• 验证集包含随机数据增强：如果你给验证集也加了随机翻转、随机裁剪等训练阶段才用的随机增强算子，两次推理同一样本得到的输入不一样，预测结果也会出现差异，进一步拉大准确率偏差。

修复方案：验证集的预处理流程只保留Resize、归一化等确定性操作，移除所有随机增强逻辑。

• 内置指标计算逻辑差异：Keras内置的准确率指标默认是batch级平均准确率，也就是每个batch的准确率计算完成后取均值，而你自定义回调里是全局样本准确率，如果你的验证集类别不平衡、且batch size较小的情况下，两种计算方式会有小幅差异，但一般不会出现0.2这么大的偏差。
• 回调内错误修改模型状态：你在on_epoch_end中把所有层的trainable设为False，虽然trainable修改不会立即影响预测逻辑，但如果后续epoch训练前没有改回True，会导致模型后续无法正常训练，也可能间接引发指标异常。

修复方案：删除回调内修改layer.trainable的代码，该操作对你的预测逻辑完全无用，还会影响后续训练。

内容的提问来源于stack exchange，提问作者YYCcvb