什么是验证损失单位Keras/Tensorflow？

引言–问题很简单，我是该领域的新手，在StackOverFlow上找不到令人满意的答案

问题本身—— 准确度单位显然是百分比（%），但损失和验证损失单位是什么？它们与准确性的关系如何？我如何使用它们？他们通常的基准目标是什么？ 问题是HTR/OCR字符分类

例如，这是第16个型号的损耗0.07和val损耗0.09，它们的真正含义是什么

---

主要区别在于，由于损失函数不同，如@Matias Valdenegro所述，它们没有单位，不同损失函数的相同值与其他损失函数相比，会产生更好/更差的模型/结果（由于损失函数的构造，

二进制交叉熵

的0.15损失不同于

焦点

的0.15损失）。

然而，我想在这里指出的是，上述答案中没有提到这一点

原则上，损失函数的值越低，精度越高

但并非总是如此。

在上面的图片中，您可以看到100%的准确度是如何随着2.0794的损失而变化的，而66,67%的准确度是如何随着1.8220的损失而变化的

哪种型号更好

不太明显（特别是对于初学者）的答案是：显然是第一个模型。事实是，如果你看一下预测，如果第二个模型对所有预测都有0.49的pApple，那么你将有0%的准确率（在大多数情况下，给定的阈值为0.5）

另一个例子（与上图无关）更为明显：

假设您有两个模型，测试集的准确率为100%

现在假设，如上面的示例所示，您的所有测试图像都是苹果

当你看这些预测时，第一个模型预测所有苹果的置信度为0.6，而第二个模型预测所有苹果的置信度为0.96。如果你考虑阈值，如果预测＞0.5给你一个特定的类，那么两个模型的准确度为100%。 但是如果你看损失函数值图，你会发现第二个模型的损失要低得多

---

始终根据验证集上的最佳损失值保存/检查您的模型。

损失通常没有单位，只有一些损失有单位，但通常它们不会传递任何信息。是的，而且不同的损失结构/公式非常不同，因此它们的损失值范围可能会有所不同例如：给定模型/架构的平均损耗可能为0.15，而IoU损耗（相交于并集）100个时期后的公式，而在训练的同一阶段，诸如焦点损失或L2损失的平均损失可能为0.01。对于其他损失公式，损失可能高于0.5或1。因此，没有标准单位来衡量各种损失公式中的损失。我认为，即使它们没有表示数字不传递信息的单位，但事实上，数字之所以被发明是因为它们有助于提取一些有关计数的信息。你如何准确计算置信值？这取决于你指的是什么：在二元分类的情况下，人们会说，如果你的模型预测苹果和苹果的置信值为0.90.1表示橙色，那么模型90%/0.9表示你的水果是橙色。如果我们有一点分歧，预测信心的概念可能会把我们带到概率模型——贝叶斯网络。为了更清楚，我修改了答案的文本：现在可以了，我做了一些编辑，更清楚一些，好像我错过了——也许是我的错——，未来的初学者也可以。交叉熵和损失是不能互换的。交叉熵是一个损失函数。还有许多其他损失函数。