Keras中验证模型时，verbose的作用是什么？

Question

我第一次运行LSTM模型。 这是我的模型：

opt = Adam(0.002)
inp = Input(...)
print(inp)
x = Embedding(....)(inp)
x = LSTM(...)(x)
x = BatchNormalization()(x)
pred = Dense(5,activation='softmax')(x)

model = Model(inp,pred)
model.compile(....)

idx = np.random.permutation(X_train.shape[0])
model.fit(X_train[idx], y_train[idx], nb_epoch=1, batch_size=128, verbose=1)

训练模型时 verbose 参数有什么用？

- rakesh

Answer 1

在此处查看model.fit的文档here。

通过设置verbose为0，1或2，您可以选择如何查看每个时期的训练进度。

verbose=0不会显示任何内容（无声）

verbose=1将为您显示动画进度条，如下所示：

verbose=2将仅提到每个时期的编号，如下所示：

- Ankit

---

整数。0、1或2。冗长模式。0 = 静默、1 = 进度条、2 = 每个时期一行。 - rakesh

这个评论是对问题的最佳回答，甚至比被评论的回答更好。请注意这一点，尽量避免为了让回答变长而使用无意义的词语。@rakesh，你很棒。 - Konstantin Sekeresh

Answer 2

verbose: 整数。0、1或2。详细模式。

Verbose=0（无输出）

Verbose=1（进度条）

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

详细程度=2（每个时期一行）

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

- Ashok Kumar Jayaraman

---

你能解释一下为什么对于不同的 verbose 值，我没有得到期望的输出吗？对于我的文件来说，verbose = 0 和 2 都给出相同的 [silent] 输出。而对于 verbose = 1，我只在 epoch 结束时获得进度条，如 Epoch 10/10 - 21s - loss: 0.2354 - acc: 0.9286 - val_loss: 0.2206 - val_acc: 0.9344 [==============================] 准确率：0.9344 错误率：6.560000000000002。 - Dr Nisha Arora

很棒的答案，帮助了我。适用于tensorflow 2.2。 - Bobs Burgers

Answer 3

对于 verbose > 0，fit 方法记录如下：

• 损失：训练数据的损失函数值
• 准确率：训练数据的准确性值。

注意：如果使用正则化机制，则会启用它们以避免过拟合。

如果未使用空的 validation_data 或 validation_split 参数，则 fit 方法记录以下内容：

• val_loss：验证数据的损失函数值
• val_acc：验证数据的准确性值

注意：在测试时关闭正则化机制，因为我们正在使用网络的所有功能。

例如，在训练模型时使用 verbose 可以帮助检测过拟合，如果你的 acc 持续改善但是你的 val_acc 变得更糟，则说明出现了过拟合。

- Hugo Bevilacqua

---

正则化与冗余参数有什么相关性？！ - Chrisji

Verbose参数对正则化机制没有影响。我只是添加了一些关于启用verbose时显示的信息（以回答最初的问题“在训练模型时verbose有什么用处？”=>例如：通过比较acc和val_acc来避免过拟合）。 - Hugo Bevilacqua

Answer 4

verbose是控制神经网络训练过程中输出显示的选项。

如果将verbose设置为0，则不会显示任何内容。

如果将verbose设置为1，则会显示以下输出： Epoch 1/200 55/55[==============================] - 10s 307ms/step - loss: 0.56 - accuracy: 0.4949

如果将verbose设置为2，则输出将如下所示： Epoch 1/200 Epoch 2/200 Epoch 3/200

- Md. Imrul Kayes

Answer 5

默认情况下，verbose = 1，

verbose = 1，包括进度条和每个epoch一行的输出。

verbose = 0，表示静默模式。

verbose = 2，每个epoch输出一行，即当前epoch编号/总共的epochs数目。

- Ashiq Imran

Answer 6

使用 verbose 标志提供的详细信息顺序如下：

较少的细节... 更多的细节

0 < 2 < 1

默认值为 1

对于生产环境，建议选择 2

- DevLoverUmar

---

你的回答中最后一条信息是最好的，我想说。 - akshit bhatia