Python Keras-多输出模型的精度不起作用

在多输出模型的情况下，一个重要的问题是，这种模型的训练需要能够为网络的不同头（输出）指定不同的度量

如正式文件所述：

要为多输出模型的不同输出指定不同的度量，还可以传递字典，例如metrics={'output_a'：'accurity'}

对于我的模型，我正在做以下类似的事情：

metrics ={'output_a': 'crossentropy',
          'output_b': 'mse',
          'output_c': 'mse',
          'output_d': 'mse',
          'output_e': 'categorical_accuracy'}

但是，当我开始训练模型时，在日志中看不到整体精度，而损失和val_损失是可见的

因此，我的问题是：

val和val_损失是否分别表示模型的总体损失和总体验证损失

是否也可以打印模型的acc

损失和价值损失是否分别意味着模型的总体损失和总体验证损失

是的，它们是培训和验证的总体损失。每个输出的单个损耗根据

loss\u weights

中指定的系数进行加权

是否有可能也打印模型的准确性

您可以单独获得每个输出的准确性，但我相信Keras不支持“总体”指标。这将需要更多关于如何汇总各个产出指标的信息

---

我将回答第二部分，因为第一部分已经回答了

是的，我们可以通过创建一个自定义回调并覆盖

on\u epoch\u end

函数来打印验证精度。在epoch端的

中

我们可以访问

日志

，这是度量名称：值的字典

例如—

我有一个13输出模式

    class CustomCallbacks(tf.keras.callbacks.Callback):
      def on_epoch_end(self, epoch, logs={}):
        val_acc = 0
        for i in range(13):
          val_acc += (logs.get('val_digit_{}_accuracy'.format(i)))/13 # take mean acc value
        print("mean val acc -  ",val_acc)

---

如果您只想跟踪这些自定义指标，那么我已经通过继承

ModelCheckpoint

类ModdedModelCheckpoint（keras.callbacks.ModelCheckpoint）：
_epoch_end上的def（self、epoch、logs={}）：
relevantAcc=list（availableOutputs.keys（））
精度=[相关ACC中k的日志[f“val_y{k}精度”]
打印（f“相关精度：{Accuracies}”）
平均值=总和（精度）/长度（相关ACC）
打印（f“平均精度：{Average}”）
日志[“val_y_精度”]=平均值
super（keras.callbacks.ModelCheckpoint，self）。在\u端(
历元，日志=日志
)

在这种情况下，它会根据我在

日志中的“假”
val_y_准确性
条目来决定是否存储最佳模型