Porównaj ceny domen i usług IT, sprzedawców z całego świata

Jaki jest sens gadatliwości w Kerasie podczas walidacji modelu?


Po raz pierwszy używam modelu LSTM.
Oto mój model:
opt = Adam(0.002)
inp = Input(...)
print(inp)
x = Embedding(....)(inp)
x = LSTM(...)(x)
x = BatchNormalization()(x)
pred = Dense(5,activation='softmax')(x)model = Model(inp,pred)
model.compile(....)idx = np.random.permutation(X_train.shape[0])
model.fit(X_train[idx], y_train[idx], nb_epoch=1, batch_size=128, verbose=1)

Jaki jest pożytek z gadatliwości podczas uczenia modelu?
Zaproszony:
Anonimowy użytkownik

Anonimowy użytkownik

Potwierdzenie od:

Sprawdź w dokumentacji model.fit

tutaj
https://keras.io/models/model/
.
Ustawiając szczegółowe 0, 1 lub 2, po prostu mówisz, jak chcesz „zobaczyć” postęp w nauce dla każdej epoki.
verbose = 0
nic Ci nie pokaże (cicha)
verbose = 1
wyświetli animowany pasek postępu, taki jak ten:
https://i.stack.imgur.com/s43II.png
verbose = 2
poda po prostu numer epoki w następujący sposób:
https://i.stack.imgur.com/gxbMD.png
Anonimowy użytkownik

Anonimowy użytkownik

Potwierdzenie od:

verbose: Integer
. 0, 1 lub 2. Tryb oznajmiania.
Verbose = 0 (cisza)
Verbose = 1 (pasek postępu)
Train on 186219 samples, validate on 20691 samples
Epoch 1/2
186219/186219 [==============================] - 85s 455us/step - loss: 0.5815 - acc:
0.7728 - val_loss: 0.4917 - val_acc: 0.8029
Train on 186219 samples, validate on 20691 samples
Epoch 2/2
186219/186219 [==============================] - 84s 451us/step - loss: 0.4921 - acc:
0.8071 - val_loss: 0.4617 - val_acc: 0.8168

Verbose = 2 (jeden wiersz na epokę)
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
- 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075
Train on 186219 samples, validate on 20691 samples
Epoch 1/1
- 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046
Anonimowy użytkownik

Anonimowy użytkownik

Potwierdzenie od:

W przypadku
verbose
& > 0, dzienniki metod
fit
:
  • loss : wartość funkcji utraty danych treningowych
  • acc : wartość precyzji danych treningowych.
Uwaga: jeśli stosowane są mechanizmy regularyzacji, są one uwzględnione, aby uniknąć nadmiernego dopasowania.

jeśli argumenty
validation_data
lub
validation_split
nie są puste, wówczas rejestrowana jest metoda
fit
:
  • val_loss : wartość funkcji utraty danych testowych
  • val_acc : wartość dokładności danych walidacji
Uwaga: mechanizmy regularyzacyjne są wyłączone podczas testów, ponieważ korzystamy ze wszystkich funkcji sieci.

Na przykład użycie
verbose
podczas uczenia modelu pomaga wykryć nadmierne dopasowanie, które ma miejsce, gdy
acc
poprawia się, a
val_acc
się pogarsza.
Anonimowy użytkownik

Anonimowy użytkownik

Potwierdzenie od:

Domyślnie verbose = 1,
verbose = 1, co obejmuje zarówno pasek postępu, jak i jedną linię na epokę
verbose = 0 oznacza ciszę
verbose = 2, jedna linia na epokę, tj. nr epoki/całkowita liczba epok

Aby odpowiedzieć na pytania, Zaloguj się lub Zarejestruj się