问为什么我的InceptionV3模型给出了一个高的训练精度(99%)，一个高的验证精度(95%+)，但是一个很低的测试精度(55%)？

EN

注:请完整地看一遍。

。

• 我在这里的目的不仅仅是为了获得一个高的测试精度，而且解释为什么它是如此低，尽管验证的准确性是如此之高。
• 我是一个初学者转移学习应用程序。
• Colab .ipynb文件和dataset驱动器链接的链接分别是：https://colab.research.google.com/drive/1-PO1KJYvXdNC8LbvrdL70oG6QbHg_N-e?usp=共享和https://drive.google.com/drive/folders/1h6jVHasLpbGLtu6Vsnpe1tyGCtR7bw_G?usp=sharing。

我的数据集：

• 我制作的流行狗对猫数据集(https://www.kaggle.com/c/dogs-vs-cats/data)的一个子集，因为原始数据集有太多(两个文件夹中有25000个--猫和狗--每个文件夹都有12500张)--在训练文件夹中标记图像，并在测试文件夹中随机排列未贴标签的图像。
• 我的数据集名为“狗-vs-猫_ 15000 _AbC”，有15000张图片，有3个文件夹：
• 培训文件夹:我的火车-AbC_ 9000 _1-从-‘火车’-9000图片- 4500猫和4500狗
• 验证文件夹:我的-有效-AbC_ 3000 _2-从-‘火车’-3000图片- 1500猫和1500狗
• 测试文件夹:我的测试-AbC_ 3000 _3-从‘火车’-3000图像- 1500猫和1500狗
• 因此，有60:20:20的分裂。
• 图像没有重叠。

亮点：

• img_height，img_width = 150,150固定。请注意，图像最初出现在不同的维度。向下缩放正在下面进行。
• 完成了数据增强，并创建了3个数据生成器：

 train_generator = train_datagen.flow_from_directory(train_data_dir, ...

 valid_generator = train_datagen.flow_from_directory(valid_data_dir, ...

 test_generator = test_datagen.flow_from_directory(test_data_dir, ...

• 请注意，我是如何很快得到了非常高的火车和有效的准确性，以至于后者比前者高：

历元1/100 90/90 ============================== -6157 s 68s/步进损失: 0.4265 -精度: 0.9142 - val_loss: 0.1147 - val_accuracy: 0.9530

..。

============================== -86 s 954 90/步进损耗: 0.0282 -精度: 0.9907 - val_loss: 0.0992 - val_accuracy: 0.9650

• 现在来看一下测试的准确性，测试精度在10个迭代中不同，并且通常很差：

for i in range(1, 11):
  evaluate = save_bottlebeck_features(None).evaluate(test_generator, steps = test_generator.n // batch_size, verbose =1)
  print('Accuracy Test : {}'.format(evaluate[1]))

Model loaded.
30/30 [==============================] - 12s 335ms/step - loss: 1.5205 - accuracy: 0.5470

精度测试: 0.546999990940094

• 使用VGG16：https://stackoverflow.com/questions/54212584/train-accuracy-is-very-high-validation-accuracy-is-very-high-but-the-test-set-a在TF上报告了一个完全类似的问题。

谢谢您抽时间见我。