在验证模型时,在Keras中使用verbose有什么用？

Question

我是第一次运行LSTM模型.这是我的模型:

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)

在训练模型时,使用详细信息有什么用？

Answer 1

在这里查看model.fit的文档.

通过设置详细0,1或2,您只需说明您希望如何"看到"每个时期的训练进度.

verbose=0 什么都不会告诉你(沉默)

verbose=1 会告诉你一个像这样的动画进度条:

verbose=2 只会提到这样的纪元数:

Answer 2

verbose 是您希望在训练时如何查看神经网络输出的选择。如果设置 verbose = 0，则不会显示任何内容

如果设置 verbose = 1，它将显示如下输出 Epoch 1/200 55/55[============================== ==] - 10s 307ms/步 - 损失：0.56 - 准确度：0.4949

如果设置 verbose = 2，输出将类似于 Epoch 1/200 Epoch 2/200 Epoch 3/200

Answer 3

对于verbose> 0，fit方法日志：

• 损失：训练数据的损失函数值
• acc：您的训练数据的准确性值。

注意：如果使用正则化机制，则将其打开以避免过度拟合。

如果validation_data或validation_split参数不为空，则fit方法日志：

• val_loss：验证数据的损失函数的值
• val_acc：验证数据的准确性值

注意：由于我们正在使用网络的所有功能，因此在测试时会关闭正则化机制。

例如，verbose在训练过程中使用模型有助于发现过度拟合，如果您在acc不断val_acc恶化的同时不断改进，则会发生过度拟合。

Answer 4

默认情况下详细= 1，

verbose = 1，其中包括进度条和每纪元一行

verbose = 0，表示沉默

verbose = 2，每个纪元一行，即纪元号/总号。时代的

Answer 5

verbose: Integer。0、1或2。详细模式。

详细== 0（无声）

详细== 1（进度条）

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

详细= 2（每个时期一行）

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

Answer 6

详细标志提供的详细信息的顺序如下

更少的细节....更多的细节

0 < 2 < 1

默认值为 1

生产环境推荐2