擅长:python、mysql、java
<p>为了更具体地回答这些问题,这里有一个时代和损失的定义:</p>
<p><strong>Epoch</strong>:对所有<em>培训</em>数据进行全面检查。</p>
<p>例如,在上面的视图中,您有1213个观察结果。因此,当一个纪元完成了你所有1213次观察的训练关卡时,它就结束了。</p>
<p><strong>损失</strong>: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的标签。</p>
<p>正如David Maust在上面所说,这通常是均方误差(MSE),或者通常是在Keras中,<a href="http://keras.io/backend/#categorical_crossentropy" rel="noreferrer" title="Categorical Cross-Entropy">Categorical Cross Entropy</a></p>
<hr/>
<p>从你的路缘石模型上跑起来,你期望看到的是在n个时期内损失的减少。你的训练跑很不正常,因为你的损失实际上在增加。这可能是由于学习率太大,导致您超出了optima。</p>
<p>正如jaycode所提到的,您将希望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。</p>
<p>因此,您应该在编译方法中包含一个度量列表,它可能如下所示:</p>
<pre><code>model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
</code></pre>
<p>以及在fit方法期间在验证时运行模型,例如:</p>
<pre><code>model.fit(data, labels, validation_split=0.2)
</code></pre>
<hr/>
<p>还有很多要解释,但希望这能让你开始。</p>