评估模型性能

为了评估模型性能，我们调用evaluate方法，如下所示：

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，如下所示：

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

我们将使用以下两条语句打印损失和准确率：

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

运行上述语句后，您将看到以下输出：

Test Loss 0.08041584826191042
Test Accuracy 0.9837

这显示了98%的测试准确率，这对我们来说应该是可以接受的。这意味着在2%的情况下，手写数字将无法被正确分类。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

我们使用训练期间记录的history来获取准确率指标的图表。以下代码将绘制每个epoch的准确率。我们选择训练数据准确率（“acc”）和验证数据准确率（“val_acc”）进行绘制。

plot.subplot(2,1,1)
plot.plot(history.history['acc'])
plot.plot(history.history['val_acc'])
plot.title('model accuracy')
plot.ylabel('accuracy')
plot.xlabel('epoch')
plot.legend(['train', 'test'], loc='lower right')

输出图表如下所示：

正如您在图中看到的，准确率在前两个epoch迅速增加，表明网络学习速度很快。之后，曲线趋于平缓，表明不需要太多epoch来进一步训练模型。通常，如果训练数据准确率（“acc”）持续提高，而验证数据准确率（“val_acc”）变差，则会遇到过拟合问题。这表明模型开始记忆数据。

我们还将绘制损失指标来检查模型的性能。

绘制损失指标

同样，我们绘制训练数据（“loss”）和测试数据（“val_loss”）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，训练集的损失在前两个epoch迅速下降。对于测试集，损失的下降速度不如训练集，但在多个epoch中几乎保持不变。这意味着我们的模型能够很好地泛化到未见数据。

现在，我们将使用训练好的模型来预测测试数据中的数字。