我正在训练具有一个隐藏层的神经网络，并且总是出现这种奇怪的行为：Val_Accuracy大于Training_Acc，而Val_Loss小于{{1} }。我不明白，这可能表示什么。
我正在对5类目标进行分类，将Training_Loss作为损失，并将sparse_categorical_crossentropy作为附加指标。 （是的，我的目标是一个整数，不是一个整数，“稀疏”是正确的。）
我尝试了许多超参数调整；尤其是LR和节点数量。
由于我使用的是Dropout，因此我知道测试准确性/损失可能比训练更好。问题在于这两个指标的差异。
sparse_categorical_accuracy仅是阐明我的意思的众多示例之一：
损耗：1.1345-sparse_categorical_accuracy：0.5586-val_loss：1.0571-val_sparse_categorical_accuracy：0.6028
答案 0 :(得分：1)
我认为您有一个概念上的误解，即如果损失是在训练过程中将损失减到最小的想法，因为损失越小越好，但准确度反而会提高准确性。
训练的动态性是，随着损失的减少，准确性通常会提高，因此您看到的行为是正确的，完全可以预期。
答案 1 :(得分：0)
好吧，损失和准确性成反比。 “损失”是对模型造成的错误的度量，而准确性是对模型执行情况的度量。由于验证误差/损失小于训练误差，因此只有在这样的意义上才能证明验证准确性优于训练准确性。