如何在Keras中计算200轮训练的训练准确率平均值？

你的代码目前存在几个关键问题，导致无法正确计算200个epoch的训练准确率平均值：

• 循环内每次调用model.fit(epochs=200)，会让模型在每轮循环里都训练200个epoch，最终总共训练了40000个epoch，完全偏离了你的需求；
• model.fit()返回的是History对象，不是直接的准确率数值，你需要从这个对象的history属性里提取对应的数据。

下面是两种可行的修正方案，帮你准确计算目标平均值：

方案一：逐epoch循环训练（适合需要逐轮监控的场景） #

num_epochs = 200
total_sum = 0.0

for n in range(num_epochs):
    # 每次只训练1个epoch，减少冗余输出
    history = model.fit(x_train, y_train, epochs=1, batch_size=64, verbose=2)
    # 提取当前epoch的训练准确率（旧版Keras可能用'acc'替代'accuracy'）
    current_acc = history.history['accuracy'][0]
    total_sum += current_acc

# 计算并打印平均值
avg_train_acc = total_sum / num_epochs
print(f"200个epoch的训练准确率平均值: {avg_train_acc:.4f}")

# 测试集评估
score = model.evaluate(x_test, y_test, verbose=2)
print(f"测试集损失: {score[0]:.4f}, 测试集准确率: {score[1]:.4f}")

方案二：一次性训练后计算（更高效简洁） #

如果你不需要逐epoch的中间操作，直接一次性训练200个epoch，再从历史记录里提取所有准确率数据计算平均值，效率会更高：

# 一次性完成200个epoch的训练
history = model.fit(x_train, y_train, epochs=200, batch_size=64, verbose=2)
# 提取所有epoch的训练准确率列表
all_train_acc = history.history['accuracy']
# 计算平均值
avg_train_acc = sum(all_train_acc) / len(all_train_acc)

print(f"200个epoch的训练准确率平均值: {avg_train_acc:.4f}")

# 测试集评估
score = model.evaluate(x_test, y_test, verbose=2)
print(f"测试集损失: {score[0]:.4f}, 测试集准确率: {score[1]:.4f}")

小提示： #

如果运行时出现键错误，检查你的Keras版本——旧版本中准确率的键是'acc'，新版本是'accuracy'，替换对应字符串即可。

内容的提问来源于stack exchange，提问作者Hadeer El-Zayat