相关疑难解决方法(0)

我正在为语义分割问题构建一个自定义 u-net，但我看到了一种奇怪的行为，loss并且metric在训练期间计算的方式有非常显着的差异。

在底部更新一个最小的可重现示例：

我已经阅读了这个 (1)，这个 (2)，另一个 (3)和另一个 (4)，但还没有找到合适的答案。

在训练模型时，我使用相同的函数 forloss和 for metric，结果差异很大。

第一个示例categorical_cross_entropy（我正在使用一个非常小的玩具套装来展示它）：

from tensorflow.python.keras import losses

model.compile(optimizer='adam', loss=losses.categorical_crossentropy,
    metrics=[losses.categorical_crossentropy])

我得到的输出是：

 4/4 [===] - 3s 677ms/step - loss: 4.1023 - categorical_crossentropy: 1.0256 
           - val_loss: 1.3864 - val_categorical_crossentropy: 1.3864

如您所见，损失和categorical_crossentropy大约是 4 倍。

如果我使用自定义指标，则差异是数量级的：

from tensorflow.python.keras import backend as K
from tensorflow.python.keras.losses import categorical_crossentropy

def dice_cross_loss(y_true, y_pred, epsilon=1e-6, smooth=1): …

我在Keras有一个模型,我正在优化均方误差.但是,如果我losses.py在度量标准中使用与Keras中相同的代码,则会得到不同的结果.为什么是这样？

作为指标:

def MSE_metric(y_true, y_pred):
    return K.mean(K.square(y_pred, y_true))

对于模型:

model.compile(optimizer=SGD(lr=0.01, momntum=0.9), loss='MSE', metrics=[MSE_metric])

这导致损失6.07但MSE_metric为0.47

我用Keras（带有theano后端）编写了一个模型，并像这样编译我的模型：model.compile(Adam(0.001), loss='mse', metrics=['mse', 'mae'])即，我的目标损失函数是均方误差，要报告的指标是均方误差和均绝对误差。

然后运行我的模型： model.fit(X_train, y_train, nb_epoch=500, validation_data=(X_test, y_test))

Keras将结果报告为：

时代500/500：0s-损失：5.5990-mean_squared_error：4.4311-mean_absolute_error：0.9511-val_loss：7.5573-val_mean_squared_error：6.3877-val_mean_absolute_error：1.1335

我期望val_loss与val_mean_squared_error相同。什么是val_loss这里如果不val_mean_squared_error？