引用自evaluate()方法文档：

返回

标量测试损失（如果模型有单个输出且没有度量）或标量列表（如果模型有多个输出和/或度量）。属性model.metrics_names将为标量输出提供显示标签。
因此，您可以使用模型的metrics_names属性来找出每个值对应的值。举例来说：

from keras import layers
from keras import models
import numpy as np

input_data = layers.Input(shape=(100,)) 
out_1 = layers.Dense(1)(input_data)
out_2 = layers.Dense(1)(input_data)

model = models.Model(input_data, [out_1, out_2])
model.compile(loss='mse', optimizer='adam', metrics=['mae'])

print(model.metrics_names)

字符串
输出以下内容：

['loss', 'dense_1_loss', 'dense_2_loss', 'dense_1_mean_absolute_error', 'dense_2_mean_absolute_error']

型
这表明您在evaluate方法的输出中看到的每个数字对应于什么。
此外，如果你有很多层，那么这些dense_1和dense_2的名字可能有点模糊。要解决这种不明确性，您可以使用层的name参数为层分配名称（不一定在所有层上，但仅在输入和输出层上）：

# ...
out_1 = layers.Dense(1, name='output_1')(input_data)
out_2 = layers.Dense(1, name='output_2')(input_data)
# ...

print(model.metrics_names)

型
其输出更清楚的描述：

['loss', 'output_1_loss', 'output_2_loss', 'output_1_mean_absolute_error', 'output_2_mean_absolute_error']

型

我们应该清楚，“损失”数字是x_test数组中每个项目计算的ALL损失之和。x_test包含测试数据，y_test包含标签。损失数字是所有损失的总和，而不仅仅是x_test数组中一个项目的一次损失。