在多输出模型的情况下,一个重要的问题是训练此类模型需要能够为网络的不同头部(输出)指定不同的指标。
如官方文档所述:
To specify different metrics for different outputs of a multi-output model, you could also pass a dictionary, such as metrics={'output_a': 'accuracy'}
对于我的模型,我正在做与以下类似的事情:
metrics ={'output_a': 'crossentropy',
'output_b': 'mse',
'output_c': 'mse',
'output_d': 'mse',
'output_e': 'categorical_accuracy'}
但是当我开始训练模型时,在日志中看不到整体准确性,而损失和 val_loss 是可见的。
所以我的问题是:
- val 和 val_loss 是否分别表示模型的总体损失和总体验证损失?
- 是否可以同时打印模型的acc?
最佳答案
loss 和 val_loss 是否分别表示模型的总体损失和总体验证损失?
是的,它们是训练和验证的总体损失。每个输出的单独损失根据
loss_weights
中指定的系数加权。是否可以同时打印模型的精度?
您可以单独获得每个输出的准确性,但我相信 Keras 不支持“整体”指标。这将需要有关如何汇总各个输出指标的更多信息。
关于python - Keras - 多输出模型的准确性不起作用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50541409/