Здравствуйте, BlackEric, Вы писали:
BE>Где это описано. Не могу найти. Скорее всего не то спрашиваю у гугла просто. BE>Т.е. то, что возвращается в history = model.fit(x_train0, y_train0, validation_split=0.2, epochs=5).
loss — это результат вашей функции потерь для пакета обучения. Зависит от выбранной функции потерь, например MSE — вычисляется сумма квадратов разностей между ожидаемым от сети результатом (y_train) и фактически получаемым сетью результатом(neuralnet(x_train)) для каждого x_train в пакете.
accuracy — это доля успешных угадываний сетью верного результата (y_train совпало с neuralnet(x_train)) из общего числа экспериментов.
то что с префиксом val_ — это как loss и accuracy, но считается на validation сете (validation_split-часть из training set). Validation set не используется для прямого обучения сети, но зато на каждом шаге обучения показывает, как сеть работает на незнакомых данных, и по результатам можно подкручивать гиперпараметры.
Здравствуйте, opfor, Вы писали:
O>Здравствуйте, BlackEric, Вы писали:
BE>>Где это описано. Не могу найти. Скорее всего не то спрашиваю у гугла просто. BE>>Т.е. то, что возвращается в history = model.fit(x_train0, y_train0, validation_split=0.2, epochs=5).
O>loss — это результат вашей функции потерь для пакета обучения. Зависит от выбранной функции потерь, например MSE — вычисляется сумма квадратов разностей между ожидаемым от сети результатом (y_train) и фактически получаемым сетью результатом(neuralnet(x_train)) для каждого x_train в пакете.
O>accuracy — это доля успешных угадываний сетью верного результата (y_train совпало с neuralnet(x_train)) из общего числа экспериментов.
O>то что с префиксом val_ — это как loss и accuracy, но считается на validation сете (validation_split-часть из training set). Validation set не используется для прямого обучения сети, но зато на каждом шаге обучения показывает, как сеть работает на незнакомых данных, и по результатам можно подкручивать гиперпараметры.
Здравствуйте, BlackEric, Вы писали:
BE>model.compile(optimizer='adam',loss='binary_crossentropy', metrics=['accuracy']) BE>В данном случае функция потерь — это loss='binary_crossentropy'? BE>И дальше мне читать про эти функции, т.е. что принимает loss в model.compile?
абсолютное значение loss мне не было полезным (оно используется алгоритмом оптимизатора при обучении, а вам важнее видеть динамику, как оно уменьшается в процессе обучения).
Accuracy более наглядное.
Здравствуйте, opfor, Вы писали:
O>абсолютное значение loss мне не было полезным (оно используется алгоритмом оптимизатора при обучении, а вам важнее видеть динамику, как оно уменьшается в процессе обучения). O>Accuracy более наглядное.
Мне нужно в дипломе расписать, как керас определяет ошибку при обучении. Я так понимаю, что нужно смотреть в исходники функции потерь, но не уверен.
