在训练多个时代的模型之后，Keras默认使用哪种参数配置来进行预测？

Question

我有一个关于Keras的一般性问题。当训练人工神经网络(例如多层感知器或LSTM)的训练、验证和测试数据分离(例如70 %，20 %，10 %)时，我想知道训练后的模型最终使用哪种参数配置来进行预测？

在这里，我经历了一个经历了11个时代的训练过程：

​

​

我可以考虑三种可能的参数配置(当然还有其他的)：

1. 导致训练数据集中的最小错误的配置(将在11世纪之后)
2. 在最后一个时代之后的配置(这将在11世纪之后，就像在1.)
3. ，它导致验证数据集中的最小错误(将在第3个时代之后)

。

例如，如果您只是构建模型而没有如下所示：

# Build the model and train it

optimizer_adam = tf.keras.optimizers.Adam(lr= 0.001)
model = keras.models.Sequential([
    keras.layers.LSTM(10, return_sequences=True, input_shape=[None, numberOfInputFeatures]),
    keras.layers.LSTM(10, return_sequences=True),
    keras.layers.TimeDistributed(keras.layers.Dense(numberOfOutputNeurons))
    ])
    
    
model.compile(loss="mean_squared_error", optimizer=optimizer_adam, metrics=['mean_absolute_percentage_error'])
history = model.fit(X_train, Y_train, epochs=11, batch_size=10, validation_data=(X_valid, Y_valid))

# Predict the values from the test dataset
Y_pred = model.predict(X_test)

您能告诉我哪种配置用于预测Y_pred = model.predict(X_test)行中测试数据集的值

Answer 1

这将是上一个时代之后的配置(您已经提到的第二个可能的配置)。