在Keras中的model.compile方法中，参数“度量”的含义是什么？

Question

我不太清楚Keras中类模型编译方法的参数metrics的含义：

model.compile(..., metrics = ['accuracy'], ...)

这些文件指出：

模型在培训和测试期间要评估的指标列表

我不明白的是：

这些指标是否用于在每个训练时代结束时评估网络的性能，即在每个时代结束时，代码使网络对训练集进行预测并计算所传递的指标。

或

这些是用来训练网络的指标吗?也就是说，网络的目标是为这些指标获得尽可能好的价值吗？(我不知道它是如何做到的，比如:如果召回率很低，那么当使用正样本时，它会更多地纠正权重)？

(或者它有另一个意思？)

Answer 1

参数metrics是为了定义您的培训评估标准。让我举一个例子:如果你正在训练一个分类器，你想要评估你的模型有多精确(以百分比计)。因此，您的度量是accuracy (作为0，1范围内的浮动经验)。精度越高，损耗越小，模型越好。

metrics不能与loss混淆。损失函数是你需要的东西，当你的模型出错时，它会“惩罚”你的模型。损失函数位于反向传播和权值更新的基础上，它是神经网络用来学习的loss对象。相反，度量是人类关注的东西，用来理解模型的好坏并进行沟通。

某些指标的定义是可选的，只有在需要时，才能根据损失值对模型进行评估。有时您不需要指定它。例如，在回归任务中，当您必须预测连续的输出时，您会增加损失(通常是MSE或RMSE)，并基于此对您的模型进行评估。