一、针对已训练完成但未记录val_acc的情况 #

如果你已经保存了训练好的模型，最直接的方法是用预留的验证数据集重新评估模型：

1. 确保你有独立的验证数据集（绝对不能用训练集，否则结果会严重失真）
2. 加载你的训练好的模型：

   # TensorFlow/Keras示例
   import tensorflow as tf
   model = tf.keras.models.load_model('your_trained_model.h5')
   

3. 用evaluate方法直接计算验证准确率：

   # 如果验证数据是分离的特征x_val和标签y_val
   val_loss, val_acc = model.evaluate(x_val, y_val, verbose=1)
   print(f"验证准确率: {val_acc:.4f}")
   
   # 如果验证数据是TensorFlow Dataset对象
   val_loss, val_acc = model.evaluate(validation_dataset, verbose=1)
   

如果用的是PyTorch框架，步骤类似，但需要手动统计准确率：

import torch

model = torch.load('your_trained_model.pth')
model.eval()  # 切换到评估模式，关闭dropout等训练专属层

correct = 0
total = 0
with torch.no_grad():  # 关闭梯度计算，节省内存和计算资源
    for images, labels in val_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

val_acc = correct / total
print(f"验证准确率: {val_acc:.4f}")

二、训练时/训练后查看验证准确率的常规方法 #

为了避免以后再遇到这种遗漏记录的情况，推荐你在训练流程中做好以下操作：

1. 训练时实时记录并保存历史 #

训练模型时，一定要传入验证数据（或者设置训练集拆分比例），同时保存训练历史对象：

# TensorFlow/Keras示例
history = model.fit(
    x_train, y_train,
    epochs=50,
    batch_size=32,
    validation_data=(x_val, y_val)  # 传入提前准备好的验证集
    # 或者用validation_split=0.2自动从训练集拆分20%作为验证集
)

# 把训练历史保存到本地文件，方便后续随时查看
import json
with open('training_history.json', 'w') as f:
    json.dump(history.history, f)

训练过程中控制台会自动输出每一轮的val_accuracy，训练结束后也可以从history对象中提取所有历史数据：

# 获取所有训练轮次的验证准确率
all_val_acc = history.history['val_accuracy']
# 获取最后一轮的验证准确率
final_val_acc = all_val_acc[-1]
print(f"最后一轮验证准确率: {final_val_acc:.4f}")

2. 训练后从保存的历史文件查看 #

如果之前训练时已经保存了training_history.json，后续可以随时加载查看：

import json
with open('training_history.json', 'r') as f:
    history_data = json.load(f)

print("所有轮次的验证准确率:", history_data['val_accuracy'])
print("最后一轮验证准确率:", history_data['val_accuracy'][-1])

内容的提问来源于stack exchange，提问作者Viper