keras训练准确率和损失表现都非常好，预测时准确率和损失都非常差

问题简述：
在keras框架下使用model.fit得到的训练准确率和损失表现都非常好，但是在相同的训练集上使用model.evaluate得到的准确率和损失都非常差
keras中的model.fit和model.evaluate在同样的数据集上的准确率acc和损失值loss存在巨大的差异

https://github.com/keras-team/keras/issues/6977
上面的github链接讨论了多种可能，

1.model.fit和model.evaluate的batch_size不匹配：model.fit时若指定了batch_size，在使用model.evaluate时的batch_size默认为16，而使用model.evaluate时并未设置与使用model.fit时同样的batch_size。解释大概为不同的batch_size的BatchNormalizaiton会产生不同的效果不同(当然在神经网络中存在BatchNormalization层时）

结果：匹配batch_size了也无效

2.dropout,batchnorm的影响：model.fit时的dropout层是设置dropout参数的，比如说0.5，而model.evaluate设置的dropout参数为1，keras在使用这两个function的时候会呈现两种模式(training mode, predict mode)，model.fit时为training mode，dropout参数值为0.5，model.evaluate时为predict mode，dropout参数值自动调至1。同样的，batchnorm在两种模式下的效果也是不一样的。

结果：这样的话问题就有一个很好的解决思路，就是在model.evaluate时，把模式定为training mode，这样就可以得到和训练时一样的效果。事实上也是这样的，使用from keras import backend as K, K.set_learning_phase(0)（这里是强制整个session为training mode包括在model.fit后使用model.evaluate），调用model.fit训练后，直接在这个session里对之前的训练集数据使用model.evaluate，得到的是与model.fit训练的最后一次的结果是非常相近的。但是你只在这个session里强制设置了training mode，把该模型保存后再重新开一个py文件或ipynb文件读取该模型(由于项目指定的tensorflow版本较低，使用model.save保存模型所有内容有问题，所以使用了model.save_weights;model.save下，下述方法没试），再使用对上述相同的训练集数据进行model.evaluate，又出现了很差的准确率和损失，当然即使在模型读取前再写上K.set_learning_phase(0)。

等等还有讨论的其他可能原因就不细说了，来说说最简单粗暴的解决方法：

####################################################################################
####################################################################################
###################################超粗的分割线#######################################
####################################################################################
####################################################################################

别用keras了，直接用tensorflow码代码把。。。。。keras的好多Conv2d，Batchnormalization，Dense啊，在tf.layers里都有，虽然写着tf代码烦点，但起码各种东西都可以自己定义。。。。keras虽说非常简便，但封装的太好了，能调的东西不多，这种问题就是属于bug类的，暂时查遍github，stackoverflow，bing都没找到在不换框架下解决问题的，真的，没办法。。。。所以放弃keras把