当前，我正在使用Python中的Tensorflow / Keras进行时间序列分析。 整个LSTM模型看起来像
model = keras.models.Sequential()
model.add(keras.layers.LSTM(25, input_shape = (1,1), activation = 'relu', dropout = 0.2, return_sequences = False))
model.add(keras.layers.Dense(1))
model.compile(optimizer = 'adam', loss = 'mean_squared_error', metrics=['acc'])
tensorboard = keras.callbacks.TensorBoard(log_dir="logs/{}".format(time()))
es = keras.callbacks.EarlyStopping(monitor='val_acc', mode='max', verbose=1, patience=50)
mc = keras.callbacks.ModelCheckpoint('/home/sukriti/best_model.h5', monitor='val_loss', mode='min', save_best_only=True)
history = model.fit(trainX_3d, trainY_1d, epochs=50, batch_size=10, verbose=2, validation_data = (testX_3d, testY_1d), callbacks=[mc, es, tensorboard])
我有以下结果
Train on 14015 samples, validate on 3503 samples
Epoch 1/50
- 3s - loss: 0.0222 - acc: 7.1352e-05 - val_loss: 0.0064 - val_acc: 0.0000e+00
Epoch 2/50
- 2s - loss: 0.0120 - acc: 7.1352e-05 - val_loss: 0.0054 - val_acc: 0.0000e+00
Epoch 3/50
- 2s - loss: 0.0108 - acc: 7.1352e-05 - val_loss: 0.0047 - val_acc: 0.0000e+00
现在 val_acc 保持不变。正常吗 它代表什么？
非常感谢您。
答案 0 :(得分：1)
由loss = 'mean_squared_error'表示，您处于回归设置，其中准确度毫无意义（仅在分类问题）。
不幸的是，尽管事实证明Keras对您的问题毫无意义且不合适，但Keras不会在这种情况下“保护”您，而是坚持计算并向您报告“准确性”-请参阅What function defines accuracy in Keras when the loss is mean squared error (MSE)?中我的回答
您只需要从模型编译中删除metrics=['acc']，就不要打扰-在回归设置中，MSE本身也可以（并且通常确实）用作性能指标。
答案 1 :(得分：0)
在我的情况下，当我的批次大小为64时，在整个培训（使用Keras和CNTK-GPU后端）中，我的验证准确性为0.0000e + 00，但我的验证集中只有120个样本（分为三类）。将批次大小更改为60后，我得到了正常的精度值。
答案 2 :(得分：0)
它不会随着批量大小或指标的改变而改善。我遇到了同样的问题，但是当我洗牌训练和验证数据集时，0.0000e+00 消失了。