Keras 中每个 epoch 的训练精度是如何确定的？

Question

我正在 Keras 中训练一个模型，如下所示：

model.fit(Xtrn, ytrn batch_size=16, epochs=50, verbose=1, shuffle=True,
          callbacks=[model_checkpoint], validation_data=(Xval, yval))

拟合输出如下：

如model.fit 所示，我的批大小为 16，总共有8000 训练样本，如输出所示。因此，据我了解，每批16 进行一次培训。这也意味着训练在单个 epoch 中运行 500 次（即 8000/16 =500)

因此，让我们以 Epoch 1/50 的输出中打印的训练精度为例，在本例中为 0.9381。我想知道0.9381 的训练精度是如何得出的。

是不是：

1. mean 训练准确度是否为每批执行的500 次训练的平均值？

或，

1. 在运行训练过程的500 实例中，它是最佳（或最大）训练准确度吗？

Answer 1

查看Keras 中的BaseLogger，他们正在计算运行平均值。 对于每个 epoch，准确率是该 epoch 之前看到的所有批次的平均值。

class BaseLogger(Callback):
    """Callback that accumulates epoch averages of metrics.

    This callback is automatically applied to every Keras model.
    """

    def on_epoch_begin(self, epoch, logs=None):
        self.seen = 0
        self.totals = {}

    def on_batch_end(self, batch, logs=None):
        logs = logs or {}
        batch_size = logs.get('size', 0)
        self.seen += batch_size

        for k, v in logs.items():
            if k in self.totals:
                self.totals[k] += v * batch_size
            else:
                self.totals[k] = v * batch_size

    def on_epoch_end(self, epoch, logs=None):
        if logs is not None:
            for k in self.params['metrics']:
                if k in self.totals:
                    # Make value available to next callbacks.
                    logs[k] = self.totals[k] / self.seen