Альтернативная реализация функции evaluate для keras

# evaluate_.py
import numpy as np
 
def evaluate(model, X_test: list, Y_test: list, verbose=0):
    """
    Оценка набора в процентах
    X_test: матрица обучающего набора X, 2D матрица
    Y_test: матрица ответов Y, 2D матрица
    return точность в процентах
    """
    scores = []
    out_nn = None
    res_acc = 0
    rows_x_test = len(X_test)
    width_y_test = len(Y_test[0])
    elem_of_out_nn = 0
    elem_answer = 0
    is_vecs_are_equal = False
    for row in range(rows_x_test):
        x_test = X_test[row]
        y_test = Y_test[row]
        out_nn = model.predict(np.array([x_test]))
        out_nn=out_nn[0]
        for elem in range(width_y_test):
            elem_of_out_nn = out_nn[elem]
            elem_answer = y_test[elem]
            if elem_of_out_nn > 0.5:
                elem_of_out_nn = 1
                if verbose!=0:
                  print("output vector elem -> ( %f ) " % 1, end=' ')
                  print("expected vector elem -> ( %f )" % elem_answer, end=' ')
            else:
                elem_of_out_nn = 0
                if verbose!=0:
                  print("output vector elem -> ( %f ) " % 0, end=' ')
                  print("expected vector elem -> ( %f )" % elem_answer, end=' ')
            if elem_of_out_nn == elem_answer:
                is_vecs_are_equal = True
            else:
                is_vecs_are_equal = False
                break
        if is_vecs_are_equal:
            if verbose!=0:
               print("-Vecs are equal-")
            scores.append(1)
        else:
            if verbose!=0:
              print("-Vecs are not equal-")
            scores.append(0)
    res_acc = sum(scores) / rows_x_test * 100
 
    return res_acc # возвращает в процентах

# app.py
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD
import numpy as np
from evaluate_ import evaluate 
 
X = np.array([[0,0],[0,1],[1,0],[1,1]])
y = np.array([[0],[1],[1],[0]])
 
model = Sequential()
model.add(Dense(8, input_dim=2))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
 
sgd = SGD(lr=0.1)
model.compile(loss='binary_crossentropy', optimizer=sgd)
 
model.fit(X, y , batch_size=1, nb_epoch=1000)
print(model.predict_proba(X))
print('model native evaluate', model.evaluate(X, y))
print('model my evaluate', evaluate(model, X, y, 1))