Neural network 我应该使用损失或准确度作为提前停止指标吗？

我正在学习和试验神经网络，希望有更多经验的人对以下问题发表意见：

当我在Keras（“均方误差”损失函数和SGD优化器）中训练一个自动编码器时，验证损失逐渐减少。验证的准确度也在提高。到目前为止还不错

然而，一段时间后，损失不断减少，但精度突然下降到一个更低的水平

• 是“正常”还是预期的行为，即准确度上升得非常快，并保持在较高水平，然后突然回落
• 即使验证损失仍在减少，我是否应该停止以最大精度进行培训？换句话说，使用val_acc或val_loss作为指标来监控提前停止

请参见图片：

损失：（绿色=val，蓝色=列车]

准确度：（绿色=val，蓝色=train）

更新： 下面的评论为我指明了正确的方向，我想我现在更能理解它。如果有人能确认以下内容是正确的，那就太好了：

• 准确度度量度量y_pred==y_true的百分比，因此仅对分类有意义

• 我的数据是实数和二进制特征的组合。精度曲线上升非常陡峭，然后又下降，而损失持续下降的原因是，在5000年前后，网络可能正确预测了+/-50%的二进制特征。在12000年前后，继续训练时，预测实数和二进制特征一元特征加在一起改善了，因此损失减少，但单独预测二元特征的正确性稍差。因此，准确度下降，而损失减少

---

如果预测是实时的，或者数据是连续的而不是离散的，则使用MSE（均方误差），因为这些值是实时的

---

但在离散值的情况下（即分类或聚类使用准确度，因为给出的值仅为0或1。因此，这里的MSE概念不适用，而是使用准确度=无错误值/总值*100。

您使用MSE进行分类任务吗？这是一个有趣的图。虽然我没有使用自动编码器的经验，但我想知道这是否只是some过度装配的极端情况。您是否尝试过降低网络复杂性（更小或更严格的规范化）（也许还可以使用增加的验证子集进行检查？）我可以想象，它看起来会有所不同。@MarcinMożejko：我使用的是mse，但它是自动编码器，而不是分类。具体取决于计算的损失（不知道它们是否总是一样的；MSE和精确度听起来不同）。调节也有区别（我认为验证会停用辍学和l1/l2调节）。如果计算量不太大，我会尝试这些更改。一般来说：在调试类似的东西时，可以使用较小的数据集。我还认为，这个图看起来很奇怪（向上、稳定、向下；相当对称；但我不是专家）。但总体上观察到训练损失减少（甚至单调）验证损失的增加也没什么特别的。每个太大的神经网络最终都会这样做（它会记住样本）。