为什么 val_loss 和 val_acc 没有显示？答案

【问题标题】：Why val_loss and val_acc are not displaying?为什么 val_loss 和 val_acc 没有显示？
【发布时间】：2019-09-08 19:29:16
【问题描述】：

训练开始时，运行窗口中只显示loss和acc，缺少val_loss和val_acc。只有在最后，才会显示这些值。

model.add(Flatten())
model.add(Dense(512, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(10, activation="softmax"))

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

model.fit(
    x_train,
    y_train,
    batch_size=32, 
    epochs=1, 
    validation_data=(x_test, y_test),
    shuffle=True
)

训练是这样开始的：

Train on 50000 samples, validate on 10000 samples
Epoch 1/1

   32/50000 [..............................] - ETA: 34:53 - loss: 2.3528 - acc: 0.0938
   64/50000 [..............................] - ETA: 18:56 - loss: 2.3131 - acc: 0.0938
   96/50000 [..............................] - ETA: 13:45 - loss: 2.3398 - acc: 0.1146

这就是它结束的时候

49984/50000 [============================>.] - ETA: 0s - loss: 1.5317 - acc: 0.4377
50000/50000 [==============================] - 231s 5ms/step - loss: 1.5317 - acc: 0.4378 - val_loss: 1.1503 - val_acc: 0.5951

我想查看每一行的 val_acc 和 val_loss

【问题讨论】：

标签： python machine-learning keras

【解决方案1】：

验证损失和准确性是在 epoch 结束时计算的，而不是在批次结束时计算的。如果您想在每批之后计算这些值，则必须使用 on_batch_end() 方法实现您自己的回调，并在验证集上调用 self.model.evaluate()。见https://keras.io/callbacks/。

但是在每个 epoch 之后计算验证损失和准确率会大大减慢您的训练速度，并且在评估网络性能方面不会带来太大影响。

【讨论】：

【解决方案2】：

在每次迭代中计算验证指标没有多大意义，因为它会使您的训练过程慢得多，而且您的模型在每次迭代中不会发生太大变化。另一方面，在每个 epoch 结束时计算这些指标更有意义。

在您的情况下，您在训练集上有 50000 个样本，在验证集上有 10000 个样本，批量大小为 32。如果您要在每次迭代后计算 val_loss 和 val_acc，这意味着对于每个32 个训练样本更新您的权重，您将拥有 32 个验证样本的 313 次（即 10000/32）次迭代。由于您的每个 epoch 都包含 1563 次迭代（即 50000/32），因此您必须执行 489219（即 313*1563）仅用于评估模型的批量预测。这会导致您的模型训练慢几个数量级！

如果您仍想在每次迭代结束时计算验证指标（不推荐，原因如上所述），您可以简单地缩短您的“epoch”，以便您的模型只看到 1每个时代的批次：

model.fit(
    x_train,
    y_train,
    batch_size=32, 
    epochs=len(x_train) // batch_size + 1,  # 1563 in your case
    steps_per_epoch=1, 
    validation_data=(x_test, y_test),
    shuffle=True
    )

这并不完全等效，因为样本将随机抽取，替换，从数据中，但它是你能得到的最简单的......

【讨论】：