使用Keras evaluate函数仅返回损失值，如何获取准确率？

这个问题我之前也碰到过，核心原因很简单：你的模型在编译阶段没有指定要评估的准确率指标，所以evaluate函数默认只返回损失值这一个标量，自然用score[0]会报索引错误。下面给你两种清晰的解决思路：

方法一：重新编译模型（推荐） #

Keras的evaluate返回的指标完全由你在compile时通过metrics参数定义，默认只有损失值。你只需要给模型重新添加准确率指标编译，再运行评估即可——放心，重新编译不会改变你已经训练好的权重。

步骤： #

1. 找到你当初编译模型的代码，根据任务类型修改成对应形式：
   • 多分类任务（标签是one-hot编码）：

     model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
     

   • 多分类任务（标签是整数形式，比如0、1、2表示类别）：

     model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['sparse_categorical_accuracy'])
     

   • 二分类任务：

     model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['binary_accuracy'])
     

2. 重新运行评估代码：

   score = model.evaluate(X_test, Y_test, verbose=0)
   print(f"测试损失值：{score[0]}，测试准确率：{score[1]}")
   

   这时候score就是一个包含两个元素的列表，第一个是损失，第二个是你指定的准确率。

方法二：手动计算准确率（无需重新编译） #

如果你不想重新编译模型，也可以通过模型的预测结果手动计算准确率：

import numpy as np

# 获取模型预测结果
predictions = model.predict(X_test, verbose=0)

# 根据任务类型处理预测结果和真实标签
# 示例1：多分类（one-hot标签）
predicted_classes = np.argmax(predictions, axis=1)
true_classes = np.argmax(Y_test, axis=1)

# 示例2：二分类
# predicted_classes = (predictions > 0.5).astype(int)
# true_classes = Y_test.astype(int)

# 计算准确率
accuracy = np.mean(predicted_classes == true_classes)
print(f"测试准确率：{accuracy}")

注意事项 #

• 一定要根据任务类型选择对应的准确率指标，不然会出现计算错误或者指标不符合预期的情况。
• 如果你用的是tf.keras（TensorFlow集成的Keras），语法和原生Keras完全一致，上面的方法同样适用。

内容的提问来源于stack exchange，提问作者Yasheel Vyas