Question

我刚刚开始使用Keras。我正在处理的示例有一个模型，下面的代码片段用于运行模型

from sklearn.preprocessing import LabelBinarizer
label_binarizer = LabelBinarizer()
y_one_hot = label_binarizer.fit_transform(y_train)

model.compile('adam', 'categorical_crossentropy', ['accuracy'])
history = model.fit(X_normalized, y_one_hot, nb_epoch=3, validation_split=0.2)

我收到以下回复：

Using TensorFlow backend. Train on 80 samples, validate on 20 samples Epoch 1/3

32/80 [===========>..................] - ETA: 0s - loss: 1.5831 - acc:
0.4062 80/80 [==============================] - 0s - loss: 1.3927 - acc:
0.4500 - val_loss: 0.7802 - val_acc: 0.8500 Epoch 2/3

32/80 [===========>..................] - ETA: 0s - loss: 0.9300 - acc:
0.7500 80/80 [==============================] - 0s - loss: 0.8490 - acc:
0.8000 - val_loss: 0.5772 - val_acc: 0.8500 Epoch 3/3

32/80 [===========>..................] - ETA: 0s - loss: 0.6397 - acc:
0.8750 64/80 [=======================>......] - ETA: 0s - loss: 0.6867 - acc:
0.7969 80/80 [==============================] - 0s - loss: 0.6638 - acc:
0.8000 - val_loss: 0.4294 - val_acc: 0.8500

documentation表示适合返回

历史记录实例。其历史属性包含所有信息在培训期间收集。

有谁知道如何解释历史实例？

例如，32/80是什么意思？我假设80是样本数但是32是多少？ ETA：0s ??

Answer 1

32是您的批量大小。如果您愿意，可以在拟合函数中更改默认值。

在第一批训练结束后，Keras估计了一个时期的训练持续时间（ETA：预计到达时间），相当于所有样本的一轮训练。

除此之外，您还可以获得培训和验证样本的损失（预测和真实标签之间的差异）和您的指标（在您的情况下是准确性）。

Answer 2

@petezurich已经说过，ETA =预计到达时间。

80是您的培训集的大小，32/80和64/80表示您的批量大小是32，当前是第一批（或第二批）分别处理）。

loss和acc是指训练集的当前损失和准确性。在每个时期结束时，都会根据您的验证集对您训练有素的NN进行评估。这就是val_loss和val_acc所指的。

model.fit()返回的历史记录对象是带有某些字段的简单类，例如对model，对params字典的引用，最重要的是对history字典的引用。它在每个时期的末尾存储loss和acc（或任何其他使用的度量）的值。对于2个时期，它将看起来像这样：

{
    'val_loss': [16.11809539794922, 14.12947562917035],
    'val_acc': [0.0, 0.0],
    'loss': [14.890108108520508, 12.088571548461914],
    'acc': [0.0, 0.25]
}

如果您想visualize训练进度，这非常方便。

注意：如果您的验证损失/准确性开始增加而培训损失/准确性仍在减少，则表明过度拟合。

注意2：最后，您应该使用与训练集和验证集不同的测试集来测试您的NN，因此在训练过程中从未被触及过。

如何解读Keras model.fit输出？

2 个答案: