Python 在验证模型时，Keras中的verbose有什么用途？

我第一次运行LSTM模型。 这是我的模型：

opt = Adam(0.002)
inp = Input(...)
print(inp)
x = Embedding(....)(inp)
x = LSTM(...)(x)
x = BatchNormalization()(x)
pred = Dense(5,activation='softmax')(x)

model = Model(inp,pred)
model.compile(....)

idx = np.random.permutation(X_train.shape[0])
model.fit(X_train[idx], y_train[idx], nb_epoch=1, batch_size=128, verbose=1)

---

培训模型时使用verbose有什么用？

检查model.fit文档

通过设置详细的0、1或2，您只需说出希望如何“查看”每个历元的培训进度

verbose=0

不会显示任何内容（无提示）

verbose=1

将向您显示如下动画进度条：

verbose=2

只会提到历元数，如下所示：

---

对于

详细
>0，
fit
方法日志：


损失：训练数据的损失函数值
acc：训练数据的准确度值

注意：如果使用正则化机制，则会启用它们以避免过拟合

如果
validation\u data
或
validation\u split
参数不为空，
fit
方法日志：


val_loss：验证数据的损失函数值
val_acc：验证数据的准确度值

注意：正则化机制在测试时关闭，因为我们正在使用网络的所有功能

例如，在训练模型时使用
verbose
有助于检测过度拟合，如果
acc
不断改善，而
val\u acc
变得更差，则会发生过度拟合。
verbose:Integer
。0、1或2。冗长模式

详细=0（无提示）

详细信息=1（进度条）

详细=2（每个历元一行）

默认情况下，verbose=1

verbose=1，其中包括进度条和每个历元一行

Train on 186219 samples, validate on 20691 samples
Epoch 1/1
 - 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
 - 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046

verbose=0，表示无提示

verbose=2，每个历元一行，即历元编号/历元总数
带有verbose标志的详细信息顺序如下

更少的细节。。。。更多细节

0<2<1

默认值为1

对于生产环境，建议使用2
详细是您希望在Nural网络进行培训时如何查看其输出的选择。
如果将verbose设置为0，它将不显示任何内容

如果设置verbose=1，它将显示如下输出
纪元1/200
55/55[=================================]-10s 307ms/步-损耗：0.56-精度：0.4949

如果将verbose设置为2，则输出如下
纪元1/200
纪元2/200
纪元3/200
详细：整数。0、1或2。冗长模式。0=无提示，1=进度条，2=每个历元一行。谢谢@ank you rock.。这个评论是这个问题的最佳答案，甚至比被评论的答案更好。注意这一点，尽量避免使用单词，只是为了让答案更长@拉凯什，你太棒了。规则化和冗余参数有什么关系？！详细参数对正则化机制没有影响。我只是添加了关于启用verbose时显示内容的信息（以回答最初的问题“训练模型时使用verbose有什么用？”=>例如：通过比较acc和val_acc避免过度拟合）。您能解释一下为什么我没有获得不同verbose变量的预期输出吗。我的文件的verbose=0和2得到了相同的[silent]输出？对于verbose=1，我只在10/10-21s这样的时代结束时才得到进度条-损失：0.2354-acc:0.9286-val_损失：0.2206-val_acc:0.9344[=============================================]准确度：0.9344错误：6.560000000000002伟大的答案，帮了我一把。适用于tensorflow 2.2
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
 - 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
 - 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046