python - 标准 Keras 模型输出是什么意思？ Keras 的时代和损失是什么？

Question

我刚刚使用 Keras 构建了我的第一个模型，这是输出。它看起来像是构建任何 Keras 人工神经网络后得到的标准输出。即使在查看文档之后，我也不完全了解时代是什么以及输出中打印的损失是什么。

什么是 Keras 的 epoch 和 loss？

(我知道这可能是一个非常基本的问题，但我似乎无法在网上找到答案，如果从文档中很难找到答案，我认为其他人也会有同样的问题，因此决定把它贴在这里。)

Epoch 1/20
1213/1213 [==============================] - 0s - loss: 0.1760     
Epoch 2/20
1213/1213 [==============================] - 0s - loss: 0.1840     
Epoch 3/20
1213/1213 [==============================] - 0s - loss: 0.1816     
Epoch 4/20
1213/1213 [==============================] - 0s - loss: 0.1915     
Epoch 5/20
1213/1213 [==============================] - 0s - loss: 0.1928     
Epoch 6/20
1213/1213 [==============================] - 0s - loss: 0.1964     
Epoch 7/20
1213/1213 [==============================] - 0s - loss: 0.1948     
Epoch 8/20
1213/1213 [==============================] - 0s - loss: 0.1971     
Epoch 9/20
1213/1213 [==============================] - 0s - loss: 0.1899     
Epoch 10/20
1213/1213 [==============================] - 0s - loss: 0.1957     
Epoch 11/20
1213/1213 [==============================] - 0s - loss: 0.1923     
Epoch 12/20
1213/1213 [==============================] - 0s - loss: 0.1910     
Epoch 13/20
1213/1213 [==============================] - 0s - loss: 0.2104     
Epoch 14/20
1213/1213 [==============================] - 0s - loss: 0.1976     
Epoch 15/20
1213/1213 [==============================] - 0s - loss: 0.1979     
Epoch 16/20
1213/1213 [==============================] - 0s - loss: 0.2036     
Epoch 17/20
1213/1213 [==============================] - 0s - loss: 0.2019     
Epoch 18/20
1213/1213 [==============================] - 0s - loss: 0.1978     
Epoch 19/20
1213/1213 [==============================] - 0s - loss: 0.1954     
Epoch 20/20
1213/1213 [==============================] - 0s - loss: 0.1949

Answer 1

只是为了更具体地回答问题，这里是 epoch 和 loss 的定义:

Epoch:全面检查您的所有训练数据。

例如，在您上面的 View 中，您有 1213 个观察值。因此，当一个 epoch 完成对所有 1213 个观察的训练通过时，它就结束了。

损失:我们在模型训练期间尝试最小化的标量值。损失越低，我们的预测就越接近真实标签。

这通常是上面 David Maust 所说的均方误差 (MSE)，或者通常在 Keras 中，Categorical Cross Entropy

---

在您的 Keras 模型上运行拟合时，您期望看到的是损失在 n 个 epoch 上的减少。您的训练运行相当不正常，因为您的损失实际上正在增加。这可能是由于学习率太大，导致您超出最优值。

正如 jaycode 所提到的，您需要查看模型在不可见数据上的性能，因为这是机器学习的一般用例。

因此，您应该在编译方法中包含一个指标列表，如下所示:

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

以及在 fit 方法期间运行您的模型进行验证，例如:

model.fit(data, labels, validation_split=0.2)

---

还有很多要解释的，但希望这能让你开始。