Was ist die Verwendung von verbose in Keras bei der Validierung des Modells?

Ich verwende das LSTM-Modell zum ersten Mal. Hier ist mein Modell:

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)

Was nützt es wortreich beim Trainieren des Modells?

Überprüfen Sie die Dokumentation für model.fit hier .

Indem Sie ausführlich 0, 1 oder 2 einstellen, sagen Sie einfach, wie Sie den Trainingsfortschritt für jede Epoche "sehen" möchten.

verbose=0 wird dir nichts zeigen (still)

verbose=1 zeigt Ihnen einen animierten Fortschrittsbalken wie folgt:

verbose=2 Ich werde nur die Anzahl der Epochen wie folgt erwähnen:

verbose: Integer. 0, 1 oder 2. Ausführlichkeitsmodus.

Verbose = 0 (still)

Ausführlich = 1 (Fortschrittsbalken)

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 (eine Zeile pro Epoche)

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

Für verbose> 0 fitMethodenprotokolle:

• Verlust : Wert der Verlustfunktion für Ihre Trainingsdaten
• acc : Genauigkeitswert für Ihre Trainingsdaten.

Hinweis: Wenn Regularisierungsmechanismen verwendet werden, werden diese aktiviert, um eine Überanpassung zu vermeiden.

Wenn validation_dataoder validation_splitArgumente nicht leer sind, fitprotokolliert die Methode:

• val_loss : Wert der Verlustfunktion für Ihre Validierungsdaten
• val_acc : Genauigkeitswert für Ihre Validierungsdaten

Hinweis: Die Regularisierungsmechanismen sind zum Testzeitpunkt deaktiviert, da wir alle Funktionen des Netzwerks nutzen.

Wenn Sie verbosedas Modell beispielsweise während des Trainings verwenden, können Sie eine Überanpassung erkennen, die auftritt, wenn Sie accsich weiter verbessern, während sich Ihre val_accSituation verschlechtert.

Standardmäßig ausführlich = 1,

verbose = 1, die sowohl den Fortschrittsbalken als auch eine Zeile pro Epoche enthält

verbose = 0 bedeutet still

wortreich = 2, eine Zeile pro Epoche, dh Epochen-Nr. von Epochen

Die Reihenfolge der mit dem ausführlichen Flag versehenen Details ist wie folgt

Weniger Details .... Weitere Details

0 <2 <1

Standard ist 1

Für die Produktionsumgebung wird 2 empfohlen