machine-learning - Keras 中每个时期的训练准确性是如何确定的？

Question

我正在 Keras 中训练一个模型，如下所示:

model.fit(Xtrn, ytrn batch_size=16, epochs=50, verbose=1, shuffle=True,
          callbacks=[model_checkpoint], validation_data=(Xval, yval))

拟合输出如下所示:

如 model.fit 中所示，我的批量大小为 16，总共有 8000 训练样本，如输出所示。因此，根据我的理解，训练每 16 批处理进行一次。这也意味着单个时期的训练运行 500 次(即 8000/16 =500)

因此，我们采用 Epoch 1/50 输出中打印的训练准确度，在本例中为 0.9381。我想知道0.9381的训练精度是如何得出的。

是:

1. 每批处理执行的平均训练准确度(取500次训练的平均值)是否正确？

或，

这是运行训练程序的 500 个实例中的最佳(或最大)训练准确度吗？

Answer 1

看一下 Keras 中的 BaseLogger，他们正在其中计算运行平均值。对于每个时期，准确度是该时期之前看到的所有批处理的平均值。

class BaseLogger(Callback):
    """Callback that accumulates epoch averages of metrics.

    This callback is automatically applied to every Keras model.
    """

    def on_epoch_begin(self, epoch, logs=None):
        self.seen = 0
        self.totals = {}

    def on_batch_end(self, batch, logs=None):
        logs = logs or {}
        batch_size = logs.get('size', 0)
        self.seen += batch_size

        for k, v in logs.items():
            if k in self.totals:
                self.totals[k] += v * batch_size
            else:
                self.totals[k] = v * batch_size

    def on_epoch_end(self, epoch, logs=None):
        if logs is not None:
            for k in self.params['metrics']:
                if k in self.totals:
                    # Make value available to next callbacks.
                    logs[k] = self.totals[k] / self.seen