keras metrics中accuracy为什么和sklearn metrics计算的不一样

Keras中的accuracy和sklearn中的accuracy计算方式略有不同，导致计算结果不一样。

在Keras中，accuracy指的是正确分类的样本数占总样本数的比例。在分类问题中，Keras会将输出的概率最大的类别作为预测结果，然后与真实标签进行比较，统计正确分类的样本数。

而在sklearn中，accuracy_score函数默认采用了一种不同的计算方式。它将预测结果与真实标签进行比较，统计预测正确的样本数和预测错误的样本数，然后计算准确率。

因此，如果模型的输出为概率值，需要使用Keras中的accuracy来计算模型的准确率；如果模型的输出为类别标签，可以使用sklearn中的accuracy_score来计算准确率。