Fashion-MNISTのオートエンコーダで入力&デコード画像の差分画像と、異常領域のヒートマップを作成したい

Question

##実現したいこと
①Fashion-MNISTデータセットで行なった畳み込みオートエンコーダにて、入力画像と出力画像の差分(Difference)の画像と、Heatmapの画像を出力したい。

②下記、「試したこと」に記載の、history = model.fit(x_normal_train, x_normal_train,.....の戻り値はval_loss: 0.2036だったが、その後に行なったscore = model.evaluate(x_test, x_test, verbose=1) の戻り値がloss: -563.5782
-563.5781860351562であった。この損失-563というのはどういうことか知りたい。最適なモデルであれば損失は0.2036に近い値が返ってくるという認識である。

##試したこと
Fashion-MNISTにて、畳み込みオートエンコーダを実装。
学習には、ラベル7のスニーカーのみで行い、異常画像としてラベル6のシャツを使用した。
入力画像とデコード後の画像は出力できたが、入力画像とデコード後の差分画像を出力し、そのヒートマップで異常個所を可視化するところが分からない。調べても該当箇所が見つからなかったので質問させていただきました。

環境：Google colaboratory

#必要ライブラリのインポート
import numpy as np
import tensorflow as tf

#Fashion-MNISTのインポート シャツ:ラベル6、スニーカー:ラベル7
from tensorflow.keras.datasets import fashion_mnist

#Fashion-MNISTの読み込み
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()

#形状と次元確認
print("x_train.shape:", x_train.shape)
print("x_test.shape:", x_test.shape)
print("x_train.ndim:", x_train.ndim)
print("x_test.ndim:", x_test.ndim)

target_imgs = x_train[y_train == 7] #スニーカーはラベル7で今回正常データとする。
x_test = x_test[y_test == 7] #スニーカーのmodel.Evaluateで使う用途
anomaly_imgs = x_train[y_train == 6] #シャツはラベル6で今回異常のデータとする。
import matplotlib.pyplot as plt
%matplotlib inline

print(len(target_imgs)) #スニーカーのデータ数確認→6000
print(len(anomaly_imgs)) #ブーツのデータ数確認→6000

#試しに1枚出力
plt.imshow(target_imgs[0], cmap="gray") 

#試しに1枚出力
plt.imshow(anomaly_imgs[0], cmap="gray")

#変数に代入
x_normal_train = target_imgs
x_anomaly_test = anomaly_imgs
print("x_normal_train.shape:", x_normal_train.shape)
print("x_anomaly_test.shape:", x_anomaly_test.shape)

##訓練データ　正常データのスニーカー★
#x_normal_train(6000, 28, 28)の3階テンソルを(6000, 28, 28, 1)の4階テンソルへ変換
x_normal_train = x_normal_train.reshape(6000, 28, 28, 1)
#float32型に変換
x_normal_train = x_normal_train.astype("float32")
#0から1.0の範囲に変換
x_normal_train = x_normal_train / 255

##検証データ　異常データのシャツ★
#x_anomaly_test(6000, 28, 28)の3階テンソルを(6000, 28, 28, 1)の4階テンソルへ変換
x_anomaly_test = x_anomaly_test.reshape(6000, 28, 28, 1)
#float32型に変換
x_anomaly_test = x_anomaly_test.astype("float32")
#0から1.0の範囲に変換
x_anomaly_test = x_anomaly_test / 255

#x_normal_trainをx_normal_trainとx_normal_valに分ける
x_normal_val = x_normal_train[:3000]
x_normal_train = x_normal_train[3000:]
#x_anomaly_testをx_anomaly_testとx_anomaly_valに分ける
x_anomaly_val = x_anomaly_test[:3000]
x_anomaly_test = x_anomaly_test[3000:]
print("x_normal_val.shape:", x_normal_val.shape)
print("x_normal_train.shape:", x_normal_train.shape)
print("x_anomaly_val.shape:", x_anomaly_val.shape)
print("x_anomaly_test.shape:", x_anomaly_test.shape)

#畳み込みオートエンコーダ
#keras.layersからInput関数, Dense関数、Conv2D関数、MaxPooling関数、UpSampling関数、Activation関数をインポート
from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D, Activation
#keras.modelsからModel関数をインポート
from keras.models import Model
#keras.callbacksからEarlyStopping関数をインポート
from keras.callbacks import EarlyStopping
es_cb = EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')

##Encode部
input_img = Input(shape=(28, 28, 1)) #Input関数で入力として受け付けるデータの次元を指定
x = Conv2D(56, (3, 3), padding="same")(input_img) #受け付けたデータを56個からなるレイヤーに流す。3x3フィルター、ゼロパディングを使う
x = Activation("relu")(x)
x = MaxPooling2D((2, 2), padding="same") (x) #多分2x2に対してプーリングする
x = Conv2D(28, (3, 3), padding="same")(x) #28個のレイヤーに流す。3x3フィルター、ゼロパディングを使う
x = Activation("relu")(x)
x = MaxPooling2D((2, 2), padding="same") (x) #多分2x2に対してプーリングする
x = Conv2D(14, (3, 3), padding="same")(x) #14個のレイヤーに流す。3x3フィルター、ゼロパディングを使う
encoded = Activation("relu")(x)

##Decode部
x = Conv2D(14, (3, 3), padding="same")(encoded) 
x = Activation("relu")(x)
x = UpSampling2D((2, 2)) (x) 
x = Conv2D(28, (3, 3), padding="same")(x) #28個のレイヤーに流す。3x3フィルター、ゼロパディングを使う
x = Activation("relu")(x)
x = UpSampling2D((2, 2)) (x) 
x = Conv2D(56, (3, 3), padding="same")(x) #56個のレイヤーに流す。3x3フィルター、ゼロパディングを使う
x = Activation("relu")(x)
x = UpSampling2D((1, 1)) (x) 
x = Conv2D(1, (3, 3), padding="same")(x) #3x3フィルター、ゼロパディングを使う
decoded = Activation("sigmoid")(x) #decoded変数に入れる

model = Model(input_img, decoded) #Model関数で入力と出力を指定。入力と出力が指定した引数のようになるモデルにするということ
model.compile(optimizer="adam", loss="binary_crossentropy")


history = model.fit(x_normal_train, x_normal_train,
                    batch_size = 28,
                    epochs = 100,
                    verbose=1,
                    validation_data=(x_normal_val, x_normal_val),
                    callbacks=[es_cb],
                    shuffle=True)
   #→val_loss: 0.2036

#Evaluate with test dataset
score = model.evaluate(x_test, x_test, verbose=1) 
print(score)
   #→1s 41ms/step - loss: -563.5782 -563.5781860351562


#Visualize originail image and reconstructed image
x_anomaly_pred = model.predict(x_anomaly_test) #異常データをモデルに通す
#definition to show original image and reconstructed image
def showOrigDec(original, dec, num=10):
    import matplotlib.pyplot as plt
    n=num
    plt.figure(figsize=(20, 4))  

    for i in range(n):
      #display original
      ax = plt.subplot(2, n, i+1)
      plt.imshow(original[i].reshape(28, 28), cmap="gray") #imshow expects images to be structured as (rows, columns) for grayscale data and (rows, columns, channels) and possibly (rows, columns, channels, alpha) values for RGB(A) data.
                                                           #You will thus have to reshape your grayscale visualization image into (28, 28) to make it work.
                                                           #グレースケールにするにはcmap="gray"が必要
      ax.get_xaxis().set_visible(False)
      ax.get_yaxis().set_visible(False)

      #display reconstruction
      ax = plt.subplot(2, n, i+1+n)
      plt.imshow(dec[i].reshape(28, 28), cmap="gray") 
      ax.get_xaxis().set_visible(False)
      ax.get_yaxis().set_visible(False)
    plt.show()

showOrigDec(x_anomaly_test, x_anomaly_pred)