我正在使用Keras在来自视频的帧上训练网络（CNN + RNN）进行分类。由于数据集太大，我将集合分成多个块，并分别在每个块上训练模型。我已经在每个区块上训练了5个时期的模型。我已经在测试数据集上测试了模型，但结果不理想。因此，我只想检查模型并在训练的最后一个块上测试模型。在该区块上，训练acc约为0.97。但是，当我在最后一块测试相同模型时，获得了0.88 acc。为什么会这样呢？注意：我知道不应在训练上进行测试，但我这样做是为了验证模型没有错误。这是否表明了这种情况。此外，可以像我提到的那样训练模型吗？从理论上讲，这听起来不错，但我想确保这是有效的。另一个注意事项：由于kaggle施加的限制，我拆分了数据集。
简而言之，我想知道为什么当在块上训练的最后一个纪元结束时，模型对x的准确性得分，而在同一块上对y的准确性得分为何。他们不应该一样吗？
发生的情况是您的模型没有得到完全或适当的训练，或者可能是由于模型设计不当所致。确保数据集具有适当的各种数据，以使模型更好地理解数据。另外，请确保在每个块上进行更多的训练，通常大约需要10个纪元。您的模型可能也无法以能够理解各种数据的方式进行设计。您的培训方法不理想，请执行以下操作，]：>
for i in range(5): model.fit(batch1, batch1_labels) model.fit(batch2, batch2_labels) ...因为它随后将以张量流通常训练它的方式训练数据，否则模型将训练一些数据，然后训练其他数据并'忘记'先前的数据。