我还不清楚metrics 是什么（如下代码所示）。他们到底在评估什么？为什么我们需要在model 中定义它们？为什么我们可以在一个模型中拥有多个指标？更重要的是，这一切背后的机制是什么？
任何科学参考也值得赞赏。
model.compile(loss='mean_squared_error',
optimizer='sgd',
metrics=['mae', 'acc'])
【问题讨论】：
标签： python machine-learning neural-network deep-learning keras
【讨论】：
参考：Keras Metrics Documentation
正如keras metrics 的文档页面中所给出的，metric 会判断模型的性能。 compile 方法中的 metrics 参数包含模型在其训练和测试阶段需要评估的指标列表。
指标如下：
binary_accuracy
categorical_accuracy
sparse_categorical_accuracy
top_k_categorical_accuracy 和
sparse_top_k_categorical_accuracy
是编译模型时在 metrics 参数中提供的可用度量函数。
指标函数也可以自定义。当需要评估多个指标时，它以dictionary 或list 的形式传递。
您可以在here找到深入了解指标的一个重要资源
【讨论】：
所以为了了解metrics 是什么，最好先了解loss 函数是什么。神经网络大多使用梯度方法通过递减loss函数的迭代过程进行训练。
loss 被设计为具有两个关键属性 - 首先，它的值越小，您的模型越适合您的数据，其次，它应该是可微的。所以，知道了这一点，我们可以完全定义 metric 是什么：它是一个函数，给定示例中的预测值和基本真实值，为您提供模型“适合度”的标量度量，以适应您的数据有。因此，正如您所见，loss 函数是一个度量标准，但相反的情况并不总是成立。要了解这些差异，让我们看一下metrics 用法的最常见示例：
使用不可微函数测量网络的性能： 例如准确性是不可微分的（甚至不是连续的），因此您无法直接优化您的网络 w.r.t.给它。但是，您可以使用它来选择精度最高的模型。
当您的最终损失是其中几个损失的组合时，获取不同损失函数的值：假设您的损失有一个正则化项，用于衡量您的权重与 @987654330 的差异@，以及衡量模型适合度的术语。在这种情况下，您可以使用 metrics 来单独跟踪模型的适应度在不同时期的变化情况。
跟踪您不想直接优化模型的度量： 所以 - 假设您正在解决一个您最关心的多维回归问题@ 987654332@，但同时您对您的解决方案的cosine-distance 如何随时间变化感兴趣。那么，最好使用metrics。
我希望上面的解释能够清楚地说明指标的用途，以及为什么您可以在一个模型中使用多个指标。所以现在，让我们谈谈它们在keras 中的使用机制。训练时有两种计算方法：
编译时使用metrics定义：这是你直接问的。在这种情况下，keras 为您定义的每个指标定义一个单独的张量，以便在训练时计算它。这通常会使计算速度更快，但这是以额外编译为代价的，而且指标应该根据keras.backend 函数来定义。
使用keras.callback：很高兴您可以使用Callbacks 来计算您的指标。由于每个回调都有一个默认属性model，因此您可以在训练时使用model.predict 或模型参数计算各种指标。此外，它使得计算它成为可能，不仅是 epoch-wise，而且是 batch-wise，或 training-wise。这是以计算速度较慢和逻辑更复杂为代价的 - 因为您需要自己定义指标。
Here您可以找到可用指标的列表，以及如何定义自己的指标的示例。
【讨论】：
从实现的角度来看，损失和指标在 Keras 中实际上是相同的功能：
Python 3.7.2 (tags/v3.7.2:9a3ffc0492, Dec 23 2018, 23:09:28) [MSC v.1916 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow.keras as Keras
>>> print(Keras.losses.mean_squared_error == Keras.metrics.mean_squared_error)
True
>>> print(Keras.losses.poisson == Keras.metrics.poisson)
True
【讨论】：
损失有助于找到您的模型可以产生的最佳解决方案。指标实际上告诉我们它有多好。想象一下，我们找到了回归线（最小平方误差）。这是一个足够好的解决方案吗？这就是指标将回答的问题（考虑到数据的形状和分布，理想情况下！）。
【讨论】：