Python 如何理解Keras模型拟合中的损耗值

我是Keras新手，对如何理解我的模型结果有一些疑问。这是我的结果：（为了方便起见，我只在这里粘贴每个历元后的loss acc val_loss val_acc）

培训4160个样本，验证1040个样本，如下所示：

Epoch 1/20
4160/4160 - loss: 3.3455 - acc: 0.1560 - val_loss: 1.6047 - val_acc: 0.4721

Epoch 2/20
4160/4160 - loss: 1.7639 - acc: 0.4274 - val_loss: 0.7060 - val_acc: 0.8019

Epoch 3/20
4160/4160 - loss: 1.0887 - acc: 0.5978 - val_loss: 0.3707 - val_acc: 0.9087

Epoch 4/20
4160/4160 - loss: 0.7736 - acc: 0.7067 - val_loss: 0.2619 - val_acc: 0.9442

Epoch 5/20
4160/4160 - loss: 0.5784 - acc: 0.7690 - val_loss: 0.2058 - val_acc: 0.9433

Epoch 6/20
4160/4160 - loss: 0.5000 - acc: 0.8065 - val_loss: 0.1557 - val_acc: 0.9750

Epoch 7/20
4160/4160 - loss: 0.4179 - acc: 0.8296 - val_loss: 0.1523 - val_acc: 0.9606

Epoch 8/20
4160/4160 - loss: 0.3758 - acc: 0.8495 - val_loss: 0.1063 - val_acc: 0.9712

Epoch 9/20
4160/4160 - loss: 0.3202 - acc: 0.8740 - val_loss: 0.1019 - val_acc: 0.9798

Epoch 10/20
4160/4160 - loss: 0.3028 - acc: 0.8788 - val_loss: 0.1074 - val_acc: 0.9644

Epoch 11/20
4160/4160 - loss: 0.2696 - acc: 0.8923 - val_loss: 0.0581 - val_acc: 0.9856

Epoch 12/20
4160/4160 - loss: 0.2738 - acc: 0.8894 - val_loss: 0.0713 - val_acc: 0.9837

Epoch 13/20
4160/4160 - loss: 0.2609 - acc: 0.8913 - val_loss: 0.0679 - val_acc: 0.9740

Epoch 14/20
4160/4160 - loss: 0.2556 - acc: 0.9022 - val_loss: 0.0599 - val_acc: 0.9769

Epoch 15/20
4160/4160 - loss: 0.2384 - acc: 0.9053 - val_loss: 0.0560 - val_acc: 0.9846

Epoch 16/20
4160/4160 - loss: 0.2305 - acc: 0.9079 - val_loss: 0.0502 - val_acc: 0.9865

Epoch 17/20
4160/4160 - loss: 0.2145 - acc: 0.9185 - val_loss: 0.0461 - val_acc: 0.9913

Epoch 18/20
4160/4160 - loss: 0.2046 - acc: 0.9183 - val_loss: 0.0524 - val_acc: 0.9750

Epoch 19/20
4160/4160 - loss: 0.2055 - acc: 0.9120 - val_loss: 0.0440 - val_acc: 0.9885

Epoch 20/20
4160/4160 - loss: 0.1890 - acc: 0.9236 - val_loss: 0.0501 - val_acc: 0.9827

以下是我的理解：

两种损耗（损耗和val_损耗）都在减少，牵引acc（acc和val_acc）也在增加。因此，这表明建模得到了很好的训练

val_acc是衡量模型预测结果好坏的指标。所以对于我的例子来说，看起来模型在6个时代之后训练得相当好，剩下的训练是不必要的

我的问题是：

acc（训练集上的acc）总是比val_acc小，实际上小得多。这正常吗？为什么会发生这种情况？在我看来，acc通常应该与val_acc相似，而不是更好

20个世纪后，acc仍在增加。那么，我应该使用更多的历元并在acc停止增加时停止吗？或者我应该停在val_acc停止增加的地方，不管acc的趋势如何

对我的结果还有其他想法吗

---

谢谢

回答您的问题：

如官方报告所述

培训损失是每批培训数据损失的平均值。因为您的模型会随着时间的推移而变化，所以一个历元的第一批损失通常高于最后一批。另一方面，在历元结束时，使用模型计算历元的测试损耗，从而降低损耗

当val_acc停止增加时，应停止培训，否则您的模型可能会溢出。您可以使用earlystopping回调停止训练

你的模型似乎取得了很好的效果。继续努力

什么是

损失

和

价值损失

在深度学习中，损失是神经网络试图最小化的值：它是基本事实和预测之间的距离。为了最小化该距离，神经网络通过调整权重和偏差进行学习，以减少损失

例如，在回归任务中，您有一个连续的目标，例如身高。你想要最小化的是你的预测和实际高度之间的差异。您可以使用

平均绝对误差

作为损失，以便神经网络知道这是它需要最小化的

在分类中有点复杂，但非常相似。预测类基于概率。因此，损失也基于概率。在分类中，神经网络最小化将低概率分配给实际类别的可能性。损失通常是分类的

loss

和

valu loss

不同，因为前者适用于列车组，后者适用于测试组。因此，后者很好地说明了模型如何处理看不见的数据。您可以使用

validation\u data=[x\u test，y\u test]

或

validation\u split=0.2

获得验证集

最好依靠

val_loss

来防止。过度拟合是指模型与训练数据的拟合过于紧密，而

损失

持续减少，而

valu损失

过时或增加

在Keras中，当

val_损失

停止减少时，您可以使用

earlystoping

停止训练。阅读

请在此处阅读有关深度学习损失的更多信息：

什么是

acc

和

val\u acc

准确度是一种度量标准，仅用于分类。对于有连续目标的任务来说，这毫无意义。它给出了正确分类的实例的百分比

---

同样，

acc

在培训数据上，而

val_acc

在验证数据上。最好依靠

val_acc

公平地表示模型性能，因为一个好的神经网络最终将以100%拟合训练数据，但在看不见的数据上表现不佳。

@Rocco请不要在评论中提出此类后续问题（如有必要，您可以随时提出新问题）。如果答案解决了你的问题，请接受它-这样我就能理解什么是损失，但这个数字实际上代表什么。这是一个百分比吗？例如，损失0.5，这实际上意味着什么？损失与0.5这个数字有什么关系？