我正在python中使用tensorflow/keras进行时间序列分析。整个lstm模型看起来像，
model = keras.models.Sequential()
model.add(keras.layers.LSTM(25, input_shape = (1,1), activation = 'relu', dropout = 0.2, return_sequences = False))
model.add(keras.layers.Dense(1))
model.compile(optimizer = 'adam', loss = 'mean_squared_error', metrics=['acc'])
tensorboard = keras.callbacks.TensorBoard(log_dir="logs/{}".format(time()))
es = keras.callbacks.EarlyStopping(monitor='val_acc', mode='max', verbose=1, patience=50)
mc = keras.callbacks.ModelCheckpoint('/home/sukriti/best_model.h5', monitor='val_loss', mode='min', save_best_only=True)
history = model.fit(trainX_3d, trainY_1d, epochs=50, batch_size=10, verbose=2, validation_data = (testX_3d, testY_1d), callbacks=[mc, es, tensorboard])我有以下结果，
Train on 14015 samples, validate on 3503 samples
Epoch 1/50
- 3s - loss: 0.0222 - acc: 7.1352e-05 - val_loss: 0.0064 - val_acc: 0.0000e+00
Epoch 2/50
- 2s - loss: 0.0120 - acc: 7.1352e-05 - val_loss: 0.0054 - val_acc: 0.0000e+00
Epoch 3/50
- 2s - loss: 0.0108 - acc: 7.1352e-05 - val_loss: 0.0047 - val_acc: 0.0000e+00现在 val_acc 保持不变。正常吗？它意味着什么？
3条答案
按热度按时间bcs8qyzn1#
如所示
loss = 'mean_squared_error'，您处于一个回归设置中，精确性没有意义（它仅在分类问题中才有意义）。不幸的是，在这种情况下，keras不会“保护”你，坚持计算并报告一个“准确度”，尽管这对你的问题来说毫无意义和不合适——看看我的答案，当损失是均方误差（mse）时，keras中什么函数定义了准确度？
你应该简单地删除
metrics=['acc']从您的模型编译中，不用担心-在回归设置中，mse本身也可以（通常也可以）作为性能度量。uinbv5nw2#
在我的例子中，当我的批大小为64时，我在整个培训过程中（使用keras和cntk gpu后端）的验证精度为0.0000e+00，但在我的验证集中只有120个样本（分为三个类）。我把批量大小改为60后，得到了正常的精度值。
xwmevbvl3#
它不会随着批量大小或度量的改变而改善。我有同样的问题，但当我洗牌我的训练和验证数据集0.0000e+00消失了。