Question

我对如何在Keras的多个输出中计算val_loss有疑问。这是我的代码的摘录。

nBatchSize  = 200
nTimeSteps  = 1
nInDims     = 17
nHiddenDims = 10
nFinalDims  = 10
nOutNum     = 24
nTraLen     = 300
nMaxEP      = 20
nValLen     = 50
sHisCSV     = "history.csv"

oModel = Sequential()
oModel.add(Input(batch_input_shape=(nBatchSize, nTimeSteps, nInDims)))
oModel.add(LSTM(nHiddenDims, return_sequences=True,  stateful=True))
oModel.add(LSTM(nHiddenDims, return_sequences=False, stateful=True))
oModel.add(Dense(nFinalDims, activation="relu")
oModel.add(Dense(nOutNum,    activation="linear")
oModel.compile(loss="mse", optimizer=Nadam())

oModel.reset_states()
oHis = oModel.fit_generator(oDataGen, steps_per_epoch=nTraLen,
epochs=nMaxEP, shuffle=False,
validation_data=oDataGen, validation_steps=nValLen,
callbacks=[CSVLogger(sHisCSV, append=True)])

# number of cols is nOutNum(=24), number of rows is len(oEvaGen)
oPredDF = pd.DataFrame(oPredModel.predict_generator(oEvaGen, steps=len(oEvaGen))

# GTDF is a dataframe of Ground Truth
nRMSE   = np.sqrt(np.nanmean(np.array(np.power(oPredDF - oGTDF, 2))))

在history.csv中，写入val_loss并将其写入为3317.36。根据预测结果计算出的RMSE为66.4。

据我了解，我的Keras规范val_loss记录在history.csv中是24个输出的平均MSE。假设它是正确的，则可以从history.csv将RMSE计算为11.76（= sqrt（3317.36 / 24）），这与nRMSE的值（= 66.4）完全不同就像sqrt（3317.36）= 57.6差不多。

我对val_loss的Keras规范的理解不正确吗？

Answer 1

您的第一个假设是正确的，但进一步的推导有点不对。
正如 MSE 是模型输出的平方误差的平均值，如在Keras documentation中所见：

平均平方误差
keras.losses.mean_squared_error（y_true，y_pred）

和Keras源代码中：

K.mean(K.square(y_pred - y_true), axis=-1)

RMSE 是该值的平方根：

K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1))

您写的是平方误差的平方根，即 RSE 。

因此，从您的实际示例开始：
RSE 可以计算为sqrt(3317.36/24) = 11.76
RMSE 可以计算为sqrt(3317.36) = 57.6

因此，模型提供的RMSE（和nRMSE）值正确。

Keras多重输出中val_loss的计算

1 个答案: