评估模型性能

为了评估模型性能，我们调用evaluate方法如下 −

loss_and_metrics = model.evaluate(X_test, Y_test, verbose=2)

为了评估模型性能，我们调用evaluate方法如下 −

loss_and_metrics = model.evaluate(X_test, Y_test, verbose=2)

我们将使用以下两个语句打印损失和准确率 −

print("Test Loss", loss_and_metrics[0])
print("Test Accuracy", loss_and_metrics[1])

运行上述语句时，您将看到以下输出 −

测试损失 0.08041584826191042
测试准确率 0.9837

这表明测试准确率为 98%，这对我们来说应该是可以接受的。这对我们来说意味着在 2% 的情况下，手写数字无法正确分类。我们还将绘制准确率和损失指标，以查看模型在测试数据上的表现。

绘制准确率指标

我们在训练期间使用记录的历史记录来获取准确率指标图。以下代码将绘制每个时期的准确率。我们选取训练数据准确率（"acc"）和验证数据准确率（"val_acc"）进行绘图。

plot.subplot(2,1,2)
plot.plot(history.history['loss'])
plot.plot(history.history['val_loss'])
plot.title('model loss')
plot.ylabel('loss')
plot.xlabel('epoch')
plot.legend(['train', 'test'], loc='upper right')

输出图如下所示 −

从图中可以看出，准确率在前两个时期迅速提高，这表明网络正在快速学习。随后，曲线趋于平缓，表明进一步训练模型不需要太多的周期。通常，如果训练数据准确率（"acc"）不断提高，而验证数据准确率（"val_acc"）却越来越差，则表明您遇到了过度拟合。这表明模型开始记忆数据。

我们还将绘制损失指标以检查模型的性能。

绘制损失指标

同样，我们绘制了训练（"loss"）和测试（"val_loss"）数据的损失。这是使用以下代码完成的 −

plot.subplot(2,1,2)
plot.plot(history.history['loss'])
plot.plot(history.history['val_loss'])
plot.title('model loss')
plot.ylabel('loss')
plot.xlabel('epoch')
plot.legend(['train', 'test'], loc='upper right')

此代码的输出如下所示 −

正如您在图中看到的，训练集上的损失在前两个时期迅速下降。对于测试集，损失不会以与训练集相同的速度下降，而是在多个时期内几乎保持平稳。这意味着我们的模型可以很好地推广到未见过的数据。

现在，我们将使用经过训练的模型来预测测试数据中的数字。