什么是好处 verbose 在 Keras 检查模型时？

检查文档 model.fit
https://keras.io/models/model/
.

设置多挑战 0, 1 或者 2, 你只是说你的想法 'see' 每个时代的培训进度。

verbose=0

没有什么能告诉你 /沉默的/

verbose=1

向您展示类似的动画执行指示符：

https://i.stack.imgur.com/s43II.png

verbose=2

它只表明如下所示的数量：

https://i.stack.imgur.com/gxbMD.png

verbose: Integer

. 0, 1 或者 2. 模式多个。

Verbose=0 /安静/

Verbose=1 /执行指标/

Train on 186219 samples, validate on 20691 samples

Epoch 1/2

186219/186219 [==============================] - 85s 455us/step - loss: 0.5815 - acc: 

0.7728 - val_loss: 0.4917 - val_acc: 0.8029

Train on 186219 samples, validate on 20691 samples

Epoch 2/2

186219/186219 [==============================] - 84s 451us/step - loss: 0.4921 - acc: 

0.8071 - val_loss: 0.4617 - val_acc: 0.8168

Verbose=2 /在时代一行/

Train on 186219 samples, validate on 20691 samples

Epoch 1/1

 - 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075

Train on 186219 samples, validate on 20691 samples

Epoch 1/1

 - 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046

为了

verbose

> 0,

fit

杂志方法：

loss

: 训练数据的损失函数的值

acc

: 您的培训数据的准确性值。

注意：如果使用正则化机制，则打开它们以避免重新设备。

如果参数

validation_data

或者

validation_split

不空，然后方法

fit

挂号的：

val_loss

: 检查数据的损失函数的值

val_acc

: 验证数据的准确性值

注意：在测试期间断开常规机制，因为我们使用所有网络功能。

例如，使用

verbose

学习时，该模型有助于检测如果您的培训发生

acc

在你的时候继续改善

val_acc

它变得更糟。

默认 verbose = 1,

verbose = 1, 其中包括执行指示符和时代的一行

verbose = 0, 意味着沉默

verbose = 2, 在时代的一行，即时代 no./total 时代数量