Was bedeutet der standard Keras Modell Leistung bedeuten? Was ist Epoche-und Verlustrechnung in Keras?

Habe ich nur gebaut, mein erstes Modell mit Keras und das ist die Ausgabe. Es sieht aus wie die standard-Ausgabe, die Sie erhalten, nachdem der Bau Keras künstlichen neuronalen Netzes. Auch nach einem Blick in die Dokumentation, ich verstehe nicht ganz, was der Ursprung ist und was Verlust ist, das ist gedruckt in der Ausgabe.

Was ist Epoche-und Verlustrechnung in Keras?

(Ich weiß, es ist wahrscheinlich eine sehr grundlegende Frage, aber ich konnte nicht scheinen, um suchen Sie die Antwort online, und wenn die Antwort wirklich so schwer, herauszubekommen, von den Unterlagen, die ich dachte, andere hätten die gleiche Frage, und so beschlossen es hier zu posten.)

Epoch 1/20
1213/1213 [==============================] - 0s - loss: 0.1760     
Epoch 2/20
1213/1213 [==============================] - 0s - loss: 0.1840     
Epoch 3/20
1213/1213 [==============================] - 0s - loss: 0.1816     
Epoch 4/20
1213/1213 [==============================] - 0s - loss: 0.1915     
Epoch 5/20
1213/1213 [==============================] - 0s - loss: 0.1928     
Epoch 6/20
1213/1213 [==============================] - 0s - loss: 0.1964     
Epoch 7/20
1213/1213 [==============================] - 0s - loss: 0.1948     
Epoch 8/20
1213/1213 [==============================] - 0s - loss: 0.1971     
Epoch 9/20
1213/1213 [==============================] - 0s - loss: 0.1899     
Epoch 10/20
1213/1213 [==============================] - 0s - loss: 0.1957     
Epoch 11/20
1213/1213 [==============================] - 0s - loss: 0.1923     
Epoch 12/20
1213/1213 [==============================] - 0s - loss: 0.1910     
Epoch 13/20
1213/1213 [==============================] - 0s - loss: 0.2104     
Epoch 14/20
1213/1213 [==============================] - 0s - loss: 0.1976     
Epoch 15/20
1213/1213 [==============================] - 0s - loss: 0.1979     
Epoch 16/20
1213/1213 [==============================] - 0s - loss: 0.2036     
Epoch 17/20
1213/1213 [==============================] - 0s - loss: 0.2019     
Epoch 18/20
1213/1213 [==============================] - 0s - loss: 0.1978     
Epoch 19/20
1213/1213 [==============================] - 0s - loss: 0.1954     
Epoch 20/20
1213/1213 [==============================] - 0s - loss: 0.1949
  • Epoche ist die Anzahl der Durchläufe über die Daten. Verlust ist den Fehler über die Ausbildung in der Regel in Bezug auf die mean squared error (für regression) oder melden Sie den Verlust (für die Klassifizierung).
InformationsquelleAutor pr338 | 2016-01-08
  1. 36

    Nur die Fragen beantworten, die konkret sind, ist hier eine definition der Epoche und Verlust:

    Epoche: Ein vollständiger Durchlauf über alle Ihre Ausbildung Daten.

    Beispielsweise in der Ansicht oben, Sie haben 1213 Beobachtungen. Also eine Epoche ist beendet, wenn Sie beendet hat, eine Ausbildung Durchlauf über alle 1213 Ihre Beobachtungen.

    Verlust: Ein skalarer Wert, dass wir versuchen, zu minimieren, während unserer Ausbildung von dem Modell. Je geringer der Verlust, desto näher sind sich unsere Prognosen sind die wahren labels.

    Dies ist in der Regel der Mittlere quadratische Fehler (MSE) als David Maust oben gesagt, oder oft in Keras, Kategorische Cross-Entropie

    Was Sie erwarten würden, um zu sehen, aus dem laufen passen auf Ihre Keras Modell, ist der Rückgang der Verlust über n die Anzahl der Epochen. Ihr training ausführen, ist eher abnormal, wie Ihr Verlust tatsächlich erhöht. Diese könnte werden durch ein learning rate, die zu groß ist, die Sie verursacht, um überschwingen optima.

    Als jaycode erwähnt, Sie möchten sich an der Leistung Ihres Modells auf ungesehenen Daten, da dies der Allgemeine Anwendungsfall des maschinellen Lernens.

    Als solche sollten Sie auch eine Liste von Metriken, die in Ihrer Methode compile, die könnte wie folgt Aussehen:

    model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

    Sowie betreiben Sie Ihr Modell auf die Validierung während der fit-Methode, wie: 

    model.fit(data, labels, validation_split=0.2)

    Es gibt eine Menge mehr zu erklären, aber ich hoffe, dies wird Ihnen den Einstieg.

    InformationsquelleAutor Lucas Ramadan
  2. 10

    Einer Epoche endet, wenn das Modell ausgeführt worden wäre, die Daten über alle Knoten im Netzwerk und bereit zum updaten der GEWICHTE, um einen optimalen Verlust an Wert. Das ist, kleiner ist besser. In Ihrem Fall, als es höhere Verluste erzielt, die auf höhere Epoche, es "scheint" das Modell ist besser auf die erste Epoche.

    Sagte ich "scheint" da können wir nicht wirklich sagen, sicher aber als das Modell wurde noch nicht getestet mit richtigen cross-validation-Methode, d.h. es wird ausgewertet, nur gegen seine Trainingsdaten.

    Möglichkeiten, um verbessern Sie Ihr Modell:

    • Cross-Validierung in Ihre Keras-Modell, um herauszufinden, wie das Modell tatsächlich durchzuführen, macht es verallgemeinern, wenn die Vorhersage von neuen Daten, die er nie zuvor gesehen hat?
    • Passen Sie Ihre Lern-rate, die Struktur des neuronalen Netzwerk-Modells, die Anzahl der versteckten Einheiten /Schichten, init, - Optimierung und-Aktivator-Parameter, die im Modell verwendet unter unzählige andere Dinge.

    Kombination sklearn ist GridSearchCV mit Keras diesen Vorgang automatisieren kann.

    InformationsquelleAutor jaycode
Schreibe einen Kommentar