我是第一次运行 LSTM 模型。这是我的模型：
opt = Adam(0.002)
inp = Input(...)
print(inp)
x = Embedding(....)(inp)
x = LSTM(...)(x)
x = BatchNormalization()(x)
pred = Dense(5,activation='softmax')(x)
model = Model(inp,pred)
model.compile(....)
idx = np.random.permutation(X_train.shape[0])
model.fit(X_train[idx], y_train[idx], nb_epoch=1, batch_size=128, verbose=1)
训练模型时详细的用途是什么？
在此处查看 model.fit 的文档。
通过设置详细 0、1 或 2，您只需说出您希望如何“查看”每个 epoch 的训练进度。
verbose=0什么都不会告诉你（沉默）
verbose=1将向您显示一个像这样的动画进度条：
verbose=2只会提到这样的纪元数：
verbose: Integer. 0、1 或 2。详细程度模式。
详细=0（无声）
详细=1（进度条）
Train on 186219 samples, validate on 20691 samples
Epoch 1/2
186219/186219 [==============================] - 85s 455us/step - loss: 0.5815 - acc:
0.7728 - val_loss: 0.4917 - val_acc: 0.8029
Train on 186219 samples, validate on 20691 samples
Epoch 2/2
186219/186219 [==============================] - 84s 451us/step - loss: 0.4921 - acc:
0.8071 - val_loss: 0.4617 - val_acc: 0.8168
Verbose=2（每个 epoch 一行）
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
- 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
- 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046
对于verbose> 0，fit方法日志：
注意：如果使用正则化机制，它们会被打开以避免过度拟合。
如果validation_data或validation_split参数不为空，fit方法日志：
注意：正则化机制在测试时关闭，因为我们正在使用网络的所有功能。
例如，verbose在训练模型时使用模型有助于检测过度拟合，如果你acc不断改进而你val_acc变得更糟，则会发生这种情况。
详细是您希望在训练时如何查看神经网络输出的选项。如果设置verbose = 0，它将不显示任何内容
如果设置verbose = 1，它将显示像这样的输出 Epoch 1/200 55/55[=========================== ==] - 10 秒 307 毫秒/步 - 损失：0.56 - 准确度：0.4949
如果设置verbose = 2，输出将类似于Epoch 1/200 Epoch 2/200 Epoch 3/200
默认情况下详细 = 1，
verbose = 1，包括进度条和每个 epoch 一行
详细 = 0，表示静音
详细 = 2，每个 epoch 一行，即 epoch no./total no。时代
详细标志提供的详细信息顺序如下
更少细节.... 更多细节
0 < 2 < 1
默认为 1
生产环境推荐2