Keras: модель.прогноз не соответствует модели.прогноз потери

Question

Я применил этот урок https://github.com/Hvass-Labs/TensorFlow-Tutorials/blob/master/23_Time-Series-Prediction.ipynb (для другого набора данных), турориал не вычислял среднеквадратичную ошибку по отдельным выходным данным, поэтому я добавил следующую строку в функцию сравнения:

    mean_squared_error(signal_true,signal_pred)

но потеря и м.е. из прогноза отличались от потери и м.с. из модели. Оценка по данным испытаний. Ошибки из модели. Оценка (Loss, mae, mse) (тест-набор):

    [0.013499056920409203, 0.07980187237262726, 0.013792216777801514]

ошибка от отдельной цели (выходы):

    Target0 0.167851388666284
    Target1 0.6068108648555771
    Target2 0.1710370357827747
    Target3 2.747463225418181
    Target4 1.7965991690103074
    Target5 0.9065426398192563 

Я так думаю Может быть проблема в обучении модели, но я не мог найти, где это точно. Буду очень признателен за вашу помощь.

спасибо

Answer 1

Существует ряд причин, по которым у вас могут быть различия между потерей на обучение и оценкой.

• Некоторые операции, такие как пакетная нормализация, отключены при прогнозировании - это может иметь большое значение для определенных архитектур, хотя обычно это не предполагается, если вы используете пакетную норму правильно.
• MSE для обучения усредняется за всю эпоху, в то время как оценка происходит только по последней «лучшей» версии модели.
• Это может произойти из-за различий в наборах данных, если разделение не является случайным.
• Возможно, вы используете разные метрики, не осознавая этого.

I ' Я точно не знаю, с какой проблемой вы сталкиваетесь, но она может быть вызвана множеством разных вещей, и ее часто трудно отладить.