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:Python 如何理解Keras模型拟合中的损耗值,python,tensorflow,machine-learning,keras,deep-learning,Python,Tensorflow,Machine Learning,Keras,Deep Learning,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 - va
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:
谢谢 回答您的问题:
损失
和价值损失
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:
acc
和val\u acc
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?