43

我不明白输出中使用哪种精度来比较我的 2 个 Keras 模型以查看哪个更好。

我是使用“acc”（来自训练数据？）一个还是“val acc”（来自验证数据？）一个？

每个时期都有不同的 accs 和 val accs。我如何知道整个模型的 acc 或 val acc？我是否对所有 epochs accs 或 val accs 进行平均以找到整个模型的 acc 或 val acc？

模型 1 输出

Train on 970 samples, validate on 243 samples
Epoch 1/20
0s - loss: 0.1708 - acc: 0.7990 - val_loss: 0.2143 - val_acc: 0.7325
Epoch 2/20
0s - loss: 0.1633 - acc: 0.8021 - val_loss: 0.2295 - val_acc: 0.7325
Epoch 3/20
0s - loss: 0.1657 - acc: 0.7938 - val_loss: 0.2243 - val_acc: 0.7737
Epoch 4/20
0s - loss: 0.1847 - acc: 0.7969 - val_loss: 0.2253 - val_acc: 0.7490
Epoch 5/20
0s - loss: 0.1771 - acc: 0.8062 - val_loss: 0.2402 - val_acc: 0.7407
Epoch 6/20
0s - loss: 0.1789 - acc: 0.8021 - val_loss: 0.2431 - val_acc: 0.7407
Epoch 7/20
0s - loss: 0.1789 - acc: 0.8031 - val_loss: 0.2227 - val_acc: 0.7778
Epoch 8/20
0s - loss: 0.1810 - acc: 0.8010 - val_loss: 0.2438 - val_acc: 0.7449
Epoch 9/20
0s - loss: 0.1711 - acc: 0.8134 - val_loss: 0.2365 - val_acc: 0.7490
Epoch 10/20
0s - loss: 0.1852 - acc: 0.7959 - val_loss: 0.2423 - val_acc: 0.7449
Epoch 11/20
0s - loss: 0.1889 - acc: 0.7866 - val_loss: 0.2523 - val_acc: 0.7366
Epoch 12/20
0s - loss: 0.1838 - acc: 0.8021 - val_loss: 0.2563 - val_acc: 0.7407
Epoch 13/20
0s - loss: 0.1835 - acc: 0.8041 - val_loss: 0.2560 - val_acc: 0.7325
Epoch 14/20
0s - loss: 0.1868 - acc: 0.8031 - val_loss: 0.2573 - val_acc: 0.7407
Epoch 15/20
0s - loss: 0.1829 - acc: 0.8072 - val_loss: 0.2581 - val_acc: 0.7407
Epoch 16/20
0s - loss: 0.1878 - acc: 0.8062 - val_loss: 0.2589 - val_acc: 0.7407
Epoch 17/20
0s - loss: 0.1833 - acc: 0.8072 - val_loss: 0.2613 - val_acc: 0.7366
Epoch 18/20
0s - loss: 0.1837 - acc: 0.8113 - val_loss: 0.2605 - val_acc: 0.7325
Epoch 19/20
0s - loss: 0.1906 - acc: 0.8010 - val_loss: 0.2555 - val_acc: 0.7407
Epoch 20/20
0s - loss: 0.1884 - acc: 0.8062 - val_loss: 0.2542 - val_acc: 0.7449

模型 2 输出

Train on 970 samples, validate on 243 samples
Epoch 1/20
0s - loss: 0.1735 - acc: 0.7876 - val_loss: 0.2386 - val_acc: 0.6667
Epoch 2/20
0s - loss: 0.1733 - acc: 0.7825 - val_loss: 0.1894 - val_acc: 0.7449
Epoch 3/20
0s - loss: 0.1781 - acc: 0.7856 - val_loss: 0.2028 - val_acc: 0.7407
Epoch 4/20
0s - loss: 0.1717 - acc: 0.8021 - val_loss: 0.2545 - val_acc: 0.7119
Epoch 5/20
0s - loss: 0.1757 - acc: 0.8052 - val_loss: 0.2252 - val_acc: 0.7202
Epoch 6/20
0s - loss: 0.1776 - acc: 0.8093 - val_loss: 0.2449 - val_acc: 0.7490
Epoch 7/20
0s - loss: 0.1833 - acc: 0.7897 - val_loss: 0.2272 - val_acc: 0.7572
Epoch 8/20
0s - loss: 0.1827 - acc: 0.7928 - val_loss: 0.2376 - val_acc: 0.7531
Epoch 9/20
0s - loss: 0.1795 - acc: 0.8062 - val_loss: 0.2445 - val_acc: 0.7490
Epoch 10/20
0s - loss: 0.1746 - acc: 0.8103 - val_loss: 0.2491 - val_acc: 0.7449
Epoch 11/20
0s - loss: 0.1831 - acc: 0.8082 - val_loss: 0.2477 - val_acc: 0.7449
Epoch 12/20
0s - loss: 0.1831 - acc: 0.8113 - val_loss: 0.2496 - val_acc: 0.7490
Epoch 13/20
0s - loss: 0.1920 - acc: 0.8000 - val_loss: 0.2459 - val_acc: 0.7449
Epoch 14/20
0s - loss: 0.1945 - acc: 0.7928 - val_loss: 0.2446 - val_acc: 0.7490
Epoch 15/20
0s - loss: 0.1852 - acc: 0.7990 - val_loss: 0.2459 - val_acc: 0.7449
Epoch 16/20
0s - loss: 0.1800 - acc: 0.8062 - val_loss: 0.2495 - val_acc: 0.7449
Epoch 17/20
0s - loss: 0.1891 - acc: 0.8000 - val_loss: 0.2469 - val_acc: 0.7449
Epoch 18/20
0s - loss: 0.1891 - acc: 0.8041 - val_loss: 0.2467 - val_acc: 0.7531
Epoch 19/20
0s - loss: 0.1853 - acc: 0.8072 - val_loss: 0.2511 - val_acc: 0.7449
Epoch 20/20
0s - loss: 0.1905 - acc: 0.8062 - val_loss: 0.2460 - val_acc: 0.7531
4

2 回答 2

63

我是使用“acc”（来自训练数据？）一个还是“val acc”（来自验证数据？）一个？

如果您想估计模型泛化到新数据的能力（这可能是您想要做的），那么您需要查看验证准确度，因为验证拆分仅包含模型在训练期间从未见过的数据，并且因此不能只记住。

如果您的训练数据准确性（“acc”）不断提高，而您的验证数据准确性（“val_acc”）变得更糟，则您可能处于过度拟合的情况，即您的模型开始基本上只是记住数据。

每个时期都有不同的 accs 和 val accs。我如何知道整个模型的 acc 或 val acc？我是否对所有 epochs accs 或 val accs 进行平均以找到整个模型的 acc 或 val acc？

每个时期都是对所有数据的训练。在运行期间，模型的参数会根据您的损失函数进行调整。结果是一组具有一定能力泛化到新数据的参数。这种能力反映在验证准确性上。因此，将每个 epoch 视为自己的模型，如果针对另一个 epoch 进行训练，它可能会变得更好或更糟。它是变好还是变坏由验证准确度的变化来判断（更好=验证准确度增加）。因此选择验证准确率最高的时代模型。不要平均不同时期的准确度，这没有多大意义。您可以使用 Keras 回调ModelCheckpoint自动保存具有最高验证准确度的模型（请参阅回调文档）。

模型 1 中的最高准确度为 ，0.7737模型 2 中的最高准确度为0.7572。因此，您应该更好地查看模型 1（在 epoch 3）。尽管这可能0.7737只是一个随机的异常值。

于 2016-01-10T12:05:43.957 回答
6

您需要键入减少 val_loss 或增加 val_acc，最终这并不重要。差异完全在随机/舍入误差范围内。

在实践中，由于过度拟合，训练损失可能会显着下降，这就是您要查看验证损失的原因。

在您的情况下，您可以看到您的训练损失没有下降 - 这意味着您在每个 epoch 之后都没有学到任何东西。除了一些微不足道的线性拟合或截止值之外，这个模型似乎没有什么可学的。

此外，当什么都不学，或者是微不足道的线性事物时，您应该在训练和验证方面有类似的表现（微不足道的学习总是可以推广的）。在使用 validation_split 功能之前，您可能应该对数据进行洗牌。

于 2016-04-01T15:00:49.597 回答