我使用以下几行来获取我的测试数据集：
test_ds = keras.utils.image_dataset_from_directory(img_path, image_size=image_size, batch_size = batch_size)
当我在此运行模型时，我得到以下统计数据：准确度 = 0.5214362272240086，精度 = 0.5950113378684807，F1-score = 0.5434962717481359
但是，当我以这种方式加载数据集时：
_, new_images = keras.utils.image_dataset_from_directory(img_path, shuffle=True, subset="both", seed=1, validation_split=0.9999, image_size=image_size, batch_size = batch_size)
性能统计数据为：准确度 = 0.9635388739946381，精度 = 0.9658291457286432，F1-score = 0.96875
为什么会发生这种情况？有类似经历吗？
两个数据集性能差异背后的原因可能是因为
数据分割：在第一个片段中，您使用的是 image_dataset_from_directory ，但没有提及验证分割，因此它使用默认分割，这可能不适合您的模型。在第二个片段中，您明确设置了 99.99% 的验证分割，这意味着只有一小部分数据用于训练，从而导致过度拟合。
洗牌：在第二个片段中，您对数据集进行洗牌（shuffle=True），这可以通过防止模型学习数据的顺序来帮助模型泛化。
子集选择：在第二种情况下使用subset="both"，这意味着训练和验证子集都会返回。与仅返回训练集的默认行为相比，这可能会产生更平衡的数据集。
种子随机性：在这里，您在第二种情况下设置随机性种子。这确保了可重复性，但也会影响数据集的组成。