Quelle est l'utilité de verbose dans Keras lors de la validation du modèle?

J'utilise le modèle LSTM pour la première fois. Voici mon modèle:

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)

Quelle est l'utilité de verbeux lors de l'entraînement du modèle?

Consultez la documentation de model.fit ici .

En définissant verbose 0, 1 ou 2, vous dites simplement comment vous voulez «voir» la progression de l'entraînement pour chaque époque.

verbose=0 ne vous montrera rien (silencieux)

verbose=1 vous montrera une barre de progression animée comme celle-ci:

verbose=2 mentionnera simplement le nombre d'époque comme ceci:

verbose: Integer. 0, 1 ou 2. Mode de verbosité.

Verbose = 0 (silencieux)

Verbose = 1 (barre de progression)

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 (une ligne par époque)

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

Pour verbose> 0, les fitjournaux de méthode:

• perte : valeur de la fonction de perte pour vos données d'entraînement
• acc : valeur de précision de vos données d'entraînement.

Remarque: si des mécanismes de régularisation sont utilisés, ils sont activés pour éviter le surajustement.

si validation_dataou les validation_splitarguments ne sont pas vides, la fitméthode enregistre:

• val_loss : valeur de la fonction de perte pour vos données de validation
• val_acc : valeur de précision de vos données de validation

Remarque: les mécanismes de régularisation sont désactivés au moment du test car nous utilisons toutes les capacités du réseau.

Par exemple, l'utilisation verbosedu modèle pendant l'entraînement permet de détecter le surajustement qui se produit si vous acccontinuez à vous améliorer alors que votre état val_accempire.

Par défaut verbeux = 1,

verbose = 1, qui comprend à la fois la barre de progression et une ligne par époque

verbose = 0, signifie silencieux

verbeux = 2, une ligne par époque, c'est-à-dire n ° d'époque / n ° total. d'époques

L'ordre des détails fournis avec l'indicateur détaillé sont comme

Moins de détails ... Plus de détails

0 <2 <1

La valeur par défaut est 1

Pour l'environnement de production, 2 est recommandé