当我们执行这样的操作时：
model.compile(Adam(lr=0.0001),loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(train_sample, label, batch_size=10, nb_epoch=25, verbose=2)
关于哪些数据的损失和准确性
(output like loss: 0.6971 - acc: 0.4965)的计算依据是？
它是隐式生成验证集，还是仅根据训练数据给我们提供错误？
答案 0 :(得分：0)
如果为验证拆分添加浮点数，则它将在单独的拆分验证集上输出验证损失。如果您不提供默认的验证数据（如您的情况），则将返回训练损失的运行平均值。
fit函数的详细信息在https://keras.io/models/model/#fit中进行描述。
答案 1 :(得分：0)
平原损失和准确性始终是训练集上的电脑，因为这是学习的指导。计算验证损失时，将其打印为“ val_loss”，其准确性与“ val_accuracy”相同。因此，如果名称中没有“ val”，则意味着它必须在训练集中进行评估。