我是使用“ acc”（来自训练数据？）还是“ val acc”（来自验证数据？）一？
如果您想估计模型对新数据进行泛化的能力（这可能是您想要做的），那么您将查看验证准确性，因为验证拆分仅包含模型在训练和训练中从未看到的数据。因此不能仅仅记住。
如果您的训练数据准确性（“ acc”）不断提高，而验证数据准确性（“ val_acc”）变差，则您可能处于过度拟合的情况，即您的模型开始基本上只是存储数据。
每个时期都有不同的acc和val acc。我怎么知道整个模型的acc或val acc？我是否要对所有时期acc或val acc求平均值，以找到整个模型的acc或val acc？
每个时期都是对您所有数据的一次训练。在运行期间，将根据损失函数调整模型的参数。结果是一组具有一定泛化到新数据能力的参数。验证准确性反映了该能力。因此，将每个纪元都视为自己的模型，如果对另一个纪元进行训练，则模型会变得更好或更糟。验证准确度的变化（更好=验证准确度提高）可以判断它的好坏。因此，请选择验证精度最高的时期模型。不要平均不同时期的精度，这没有多大意义。您可以使用ModelCheckpoint回调ModelCheckpoint来自动保存具有最高验证准确性的模型（请参阅回调文档 ）。
模型1的最高精度为0.7737 ，模型2的最高精度为0.7572 。因此，您应该更好地查看模型1（在时期3）。尽管0.7737可能只是随机的异常值。
收藏
陈甘雨• 720
评论
Ryan Eveline• 695
关于我们
常见问题
内容许可
联系我们
0
我不知道要比较我的2个Keras模型以查看哪个更好，可以使用输出中的哪个精度。
我是使用“ acc”（来自训练数据？）还是“ val acc”（来自验证数据？）一？
每个时期都有不同的acc和val acc。我怎么知道整个模型的acc或val acc？我是否要对所有时期acc或val acc求平均值，以找到整个模型的acc或val acc？
模型1输出
模型2输出