为什么mse作为损失与mse在keras中的度量不同？

Question

我有一个在角星上建立的回归模型。损失是mse。培训期间的产出如下：

4/4 ============================== - 16s 1s/步进损失: 21.4834 - root_mean_squared_error: 4.6350 - full_mse: 23.5336 - mean_squared_error: 23.5336 - val_loss: 32.6890 - val_root_mean_squared_error: 5.7174 - val_full_mse: 32.6890 - val_mean_squared_error: 32.6890

为什么mse作为一个损失与mse作为一个度量标准不同？(损失= 21.4834；mse = 23.5336；为什么这些值不同？)它们应该是一样的。

为什么这种情况只适用于训练集，而不是验证集？(val_loss = 32.6890；val_mse = 32.6890；这些值应该是相等的。)

有什么想法吗？

Answer 1

我将此作为答案发布，因为它看起来是问题的解决方案。

训练均方根损失(“损失”)是一种平均超过训练的形式，在那里的权重正在变化。“度量”MSE ("mse")是在不更新权重的情况下计算的。

对于验证("val_loss“和"val_mse")，都是在没有权重更新的情况下计算的。

此外，所显示的MSE损失可能类似于移动平均，其中并不是所有的小型批次都是平均加权的。对于给定的问题，我不认为是这样的，因为验证值是匹配的。这取决于实现。