我使用的是通过Keras库实现的神经网络，下面是训练期间的结果。最后，它会打印测试分数和测试准确性。我无法弄清楚分数代表什么，但是我认为准确度是运行测试时正确的预测数。
时代1/15 1200/1200 [==============================-4秒-损失：
0.6815-acc：0.5550-val_loss：0.6120-val_acc：0.7525
时代2/15 1200/1200 [==============================]-3秒-损失：
0.5481-acc：0.7250-val_loss：0.4645-val_acc：0.8025
时代3/15 1200/1200 [==============================-3秒-损失：
0.5078-acc：0.7558-val_loss：0.4354-val_acc：0.7975
时代4/15 1200/1200 [==============================]-3秒-损失：
0.4603-acc：0.7875-val_loss：0.3978-val_acc：0.8350
时代5/15 1200/1200 [==============================-3秒-损失：
0.4367-acc：0.7992-val_loss：0.3809-val_acc：0.8300
时代6/15 1200/1200 [==============================]-3秒-损失：
0.4276-acc：0.8017-val_loss：0.3884-val_acc：0.8350
时代7/15 1200/1200 [==============================-3秒-损失：
0.3975-acc：0.8167-val_loss：0.3666-val_acc：0.8400
时代8/15 1200/1200 [==============================-3秒-损失：
0.3916-acc：0.8183-val_loss：0.3753-val_acc：0.8450
时代9/15 1200/1200 [==============================]-3秒-损失：
0.3814-acc：0.8233-val_loss：0.3505-val_acc：0.8475
时代10/15 1200/1200 [==============================]-3秒-损失：
0.3842-acc：0.8342-val_loss：0.3672-val_acc：0.8450
时代11/15 1200/1200 [==============================]-3秒-损失：
0.3674-acc：0.8375-val_loss：0.3383-val_acc：0.8525
时代12/15 1200/1200 [==============================]-3秒-损失：
0.3624-acc：0.8367-val_loss：0.3423-val_acc：0.8650
时代13/15 1200/1200 [==============================-3秒-损失：
0.3497-acc：0.8475-val_loss：0.3069-val_acc：0.8825
时代14/15 1200/1200 [==============================]-3秒-损失：
0.3406-acc：0.8500-val_loss：0.2993-val_acc：0.8775
时代15/15 1200/1200 [==============================]-3秒-损失：
0.3252-acc：0.8600-val_loss：0.2960-val_acc：0.8775
400/400 [=============================]-0s
测试成绩：0.299598811865
测试精度：0.88
看着Keras documentation，我仍然不明白什么是分数。对于评估函数，它说：
返回测试模式下模型的损失值和指标值。
我注意到的一件事是，当测试准确性较低时，分数会更高；而当准确性较高时，分数会更低。
最佳答案
供参考，代码的两个相关部分：
model.compile(loss='binary_crossentropy',
optimizer='adam',
metrics=['accuracy'])
score, acc = model.evaluate(x_test, y_test,
batch_size=batch_size)
print('Test score:', score)
print('Test accuracy:', acc)
分数是对给定输入的损失函数的评估。
训练网络正在寻找使损耗函数（或成本函数）最小化的参数。
这里的成本函数是
binary_crossentropy。对于目标T和网络输出O，二进制互熵可以定义为
f（T，O）=-（T * log（O）+（1-T）* log（1-O））
因此，您看到的分数就是对此的评价。
如果您输入一批输入，则很可能会返回平均损失。
所以，是的，如果您的模型（在测试时）具有较低的损耗，则它通常应该具有较低的预测误差。
关于neural-network - 使用Keras评估模型时的测试成绩与测试准确性，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43589842/