Keras 模型评估指标中的Bleu分数

在许多seq2seq实现中，我看到它们在编译模型时使用精度度量，而在预测中只使用Bleu分数

---

为什么他们不在训练中使用Bleu分数来提高效率？如果我理解正确的话

双语评估替补得分是为了取代人类，因此替补这个词出现在它的名字中

现在，当您在训练数据时，您已经有了目标值，可以直接将生成的输出与之进行比较，但是当您在数据集上进行预测时，您无法衡量您翻译的句子是否正确。这就是为什么要使用Bleu，因为没有人可以在每次机器翻译后检查您的预测是否正确，Bleu提供了一个健全的检查

p.S.替补意味着有人向导师学习，在必要时取代他。布鲁向人类学习，然后能够为翻译打分

如需进一步参考，请查看

---

如果有任何疑问，请在下面进行评论。

替补不是培训期间未报告指标的主要原因。当参考（即地面真相文本）可用时，您可以随时计算度量。主要原因是这些度量是基于整个语料库的，并且频繁地计算这些度量既慢又耗时。