keras tensorflow度量是始终计算的损失

我遇到了这个。它定义了

指标

，如下所示。我的问题是

METRICS = [
          keras.metrics.TruePositives(name='tp'),
          keras.metrics.FalsePositives(name='fp'),
          keras.metrics.TrueNegatives(name='tn'),
          keras.metrics.FalseNegatives(name='fn'), 
          keras.metrics.BinaryAccuracy(name='accuracy'),
          keras.metrics.Precision(name='precision'),
          keras.metrics.Recall(name='recall'),
          keras.metrics.AUC(name='auc'),
    ]

Train on 182276 samples, validate on 45569 samples
    Epoch 1/100
    182276/182276 [==============================] - 2s 12us/sample - loss: 0.0139 - tp: 7.0000 - fp: 124.0000 - tn: 181835.0000 - fn: 310.0000 - accuracy: 0.9976 - precision: 0.0534 - recall: 0.0221 - auc: 0.7262 - val_loss: 0.0074 - val_tp: 4.0000 - val_fp: 0.0000e+00 - val_tn: 45492.0000 - val_fn: 73.0000 - val_accuracy: 0.9984 - val_precision: 1.0000 - val_recall: 0.0519 - val_auc: 0.8742
    Epoch 2/100
    182276/182276 [==============================] - 0s 3us/sample - loss: 0.0076 - tp: 91.0000 - fp: 30.0000 - tn: 181929.0000 - fn: 226.0000 - accuracy: 0.9986 - precision: 0.7521 - recall: 0.2871 - auc: 0.8828 - val_loss: 0.0053 - val_tp: 39.0000 - val_fp: 7.0000 - val_tn: 45485.0000 - val_fn: 38.0000 - val_accuracy: 0.9990 - val_precision: 0.8478 - val_recall: 0.5065 - val_auc: 0.8761
    Epoch 3/100
    182276/182276 [==============================] - 0s 3us/sample - loss: 0.0064 - tp: 146.0000 - fp: 36.0000 - tn: 181923.0000 - fn: 171.0000 - accuracy: 0.9989 - precision: 0.8022 - recall: 0.4606 - auc: 0.8981 - val_loss: 0.0049 - val_tp: 45.0000 - val_fp: 7.0000 - val_tn: 45485.0000 - val_fn: 32.0000 - val_accuracy: 0.9991 - val_precision: 0.8654 - val_recall: 0.5844 - val_auc: 0.8828

如果损失不是

指标的一部分，为什么在每个历元后显示损失。
loss
是默认选项吗？它是否也适用于回归或多类分类

Keras显示培训和验证数据的每个

指标。是因为当我们适合模型时，我们提供了验证数据<代码>验证数据=（val_特征，val_标签）

？如果我们不提供验证数据，会不会因为无法打印验证数据的指标而产生错误

---

1-这是默认值，除非您将

verbose=0

放入，否则没有任何内容。是的，在任何情况下它都是存在的

---

2-是的，如果您不提供验证数据，那么您就没有val度量的任何内容

1-这是默认值，除非您输入

verbose=0

，否则没有任何内容。是的，在任何情况下它都是存在的

2-是的，如果你不提供验证数据，那么你就不会有任何关于val度量的信息。1）损失是你神经网络的训练目标，因此你总是需要它，不管回归或分类问题如何。 默认情况下，它以Keras显示

度量用于评估模型，因此您可以定义多个度量。

---

2） 如果您不提供验证数据，Keras（顾名思义）没有数据来验证您的模型，它将抛出一个错误。

1）损失是您的神经网络的训练目标，因此您总是需要它，无论回归或分类问题如何。 默认情况下，它以Keras显示

度量用于评估模型，因此您可以定义多个度量。

---

2） 如果您不提供验证数据，Keras（顾名思义）没有数据来验证您的模型，它将抛出一个错误。

如果您不提供验证数据，它就不会对您的数据运行验证，它不会给出错误如果您不提供验证数据，它就不会对您的数据运行验证，它不会出错