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

Question

Je lance 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 verbose pendant l'entraînement du modèle ?

Answer 1

Vérifier la documentation pour model.fit ici .

En définissant verbose 0, 1 ou 2, vous indiquez 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 va juste mentionner le nombre d'époques comme ceci :

Answer 2

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

Answer 3

Pour verbose > 0, fit les journaux des méthodes :

• perte Valeur de la fonction de perte pour vos données d'apprentissage
• acc : valeur de précision pour vos données de formation.

Remarque : Si des mécanismes de régularisation sont utilisés, ils sont activés pour éviter un ajustement excessif.

si validation_data o validation_split ne sont pas vides, fit les journaux des méthodes :

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

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

Par exemple, en utilisant verbose pendant la formation du modèle permet de détecter l'overfitting qui se produit si votre acc ne cesse de s'améliorer tandis que votre val_acc s'aggrave.

Answer 4

Verbose est le choix de la façon dont vous voulez voir la sortie de votre réseau neuronal pendant sa formation. Si vous définissez verbose = 0, il ne montrera rien.

Si vous définissez verbose = 1, il montrera la sortie comme ceci Epoque 1/200 55/55 [==============================] - 10s 307ms/pas - perte : 0.56 - précision : 0.4949

Si vous définissez verbose = 2, la sortie sera comme suit Époque 1/200 Epoch 2/200 Epoch 3/200

Answer 5

Par défaut, verbose = 1,

verbose = 1, qui inclut à la fois la barre de progression et une ligne par époch.

verbose = 0, signifie silencieux

verbose = 2, une ligne par époch, c'est-à-dire n° d'époch / n° total d'époch.