48

我刚刚使用 Keras 构建了我的第一个模型，这就是输出。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。

Keras 的时代和损失是什么？

（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，因此决定在这里发布.)

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
4

2 回答 2

43

只是为了更具体地回答问题，这里是 epoch 和 loss 的定义：

Epoch：对所有训练数据进行全面检查。

例如，在您上面的视图中，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试图最小化的标量值。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)，或者经常在 Keras 中，Categorical Cross Entropy

您希望通过在 Keras 模型上运行拟合看到的是损失在 n 个时期内的减少。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，您将希望查看模型在看不见的数据上的性能，因为这是机器学习的一般用例。

因此，您应该在 compile 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。

于 2016-06-22T23:10:45.150 回答
12

当您的模型通过网络中的所有节点运行数据并准备更新权重以达到最佳损失值时，一个时期结束。也就是说，越小越好。在您的情况下，由于较高时期的损失分数较高，因此“似乎”该模型在第一个时期更好。

我说“似乎”是因为我们实际上还不能确定，因为该模型尚未使用适当的交叉验证方法进行测试，即仅根据其训练数据对其进行评估。

改进模型的方法：

  • 在您的 Keras 模型中使用交叉验证来了解模型的实际执行情况，它在预测以前从未见过的新数据时是否能很好地泛化？
  • 调整模型中使用的学习率、神经网络模型的结构、隐藏单元/层数、初始化、优化器和激活器参数等。

将 sklearn 的 GridSearchCV 与 Keras 结合可以自动化这个过程。

于 2016-06-16T17:01:28.207 回答