如何解释model.evaluate（）返回的损失？

Question

我搜索了很多答案，但却找不到令人满意的答案。

如果我理解正确，在model.fit()期间，Keras会将最后一批的损失打印到终端。

如果我在训练集上调用model.evaluate()，我会得到整个集合的损失值。

因此，直观地说，如果我在训练集的单个实例上调用model.evaluate()，我应该得到一个值，该值是我在整个训练集上调用model.evaluate()的值的一小部分。但相反，我得到的值接近甚至更大~10倍。知道为什么吗？

Answer 1

  

如果我理解正确，在model.fit（）期间，Keras会将最后一批的损失打印到终端。

一般来说是的，但这也取决于您的verbose参数;如果它设置为2，那么每个时期将获得一行，但如果将其设置为1，您将获得进度条< / em>提供有关每个批次和其他内容的信息。

这也会打印您在模型中包含的任何其他指标（如准确性，MSE等）。

现在，我认为你期望的直观行为并不完全正确。首先，我必须说这还取决于您的具体模型和架构，因为Dropout Layers等某些功能可能会有自己的特定交互，可能会改变您的损失和指标的结果。

问题是model.evaluate()方法按批次进行计算，如docs中所述。两个重要的参数是batch_size，即每个评估步骤的样本数，以及steps，它们是完成评估的步骤数（批次）。

在model.evaluate()的源代码上挖掘一下，我们可以看到它平均损失以及批量大小的steps或num_samples返回的其他指标。

这意味着如果您只传递一个样本，您获得的结果将除以1（并获得更高的值），而如果您提供更多样本（如您的测试数据），结果将按平均值大于1的数字，从而获得更小的＆＃34;值比用较少样本给出的值。