Python Keras：是否可以对检查点使用model.evaluate（）而不是model.fit度量

众所周知，在拟合keras模型时，报告的指标包括所有层，包括辍学。因此，报告的指标（精度、召回率、f1甚至准确度）将不同于拟合期间以及使用model.predict（）使用预测结果时报告的指标

我很好奇是否有可能让keras在使用当前model.predict（）而不是内部度量的用户定义例程上执行检查点

例如：

model.fit(X,y,validation_data=(Xv,yv),\
  callbacks=[K.ModelCheckpoint('/tmp/dump.h5',\ 
  monitor='val_acc')])

---

将对拟合期间测量的验证精度执行检查点（并使用

verbose=1

报告）。但假设我想使用模型在验证集上所做的实际预测，使用F1分数执行检查点。是否可以获取

ModelCheckpoint

以使用类似

sklearn.metrics.f1_score（yv，model.predict（Xv））

？

是否希望在每次执行验证时计算自定义度量？是。我想使用mode.predict（）报告模型上的f1_分数，以便关闭辍学。并且在编译模型时添加度量不符合您的需要？你可以把电话打过去我不需要。我可以让它在回调期间使用度量，但它使用了包含辍学的训练模型。我需要的指标不包括辍学。目前，我在培训完成后手动执行此操作，但随着培训的进行（在每个历元之后），看到此值会很好