为什么我的准确率和损失，0.000和nan，是以keras为单位的？
准确率和损失是在机器学习和深度学习中常用的评估指标，用于衡量模型的性能和训练过程中的误差。在Keras中，准确率和损失是以Keras库为单位的，因为Keras是一个高级神经网络API，它提供了一种简单而直观的方式来构建和训练深度学习模型。
准确率（Accuracy）是指模型在给定数据集上正确分类的样本数与总样本数之比。它是衡量模型分类性能的常用指标之一。准确率越高，表示模型的分类能力越强。
损失（Loss）是指模型在训练过程中的误差，它用于衡量模型预测结果与实际结果之间的差异。损失函数的选择取决于具体的任务和模型结构。常见的损失函数包括均方误差（MSE）、交叉熵（Cross Entropy）等。
当准确率和损失的值为0.000和nan时，可能存在以下几种情况：
- 数据问题：可能是由于数据集中的样本标签存在问题，导致模型无法正确分类。可以检查数据集的标签是否正确，并进行数据预处理和清洗。
- 模型问题：可能是模型结构设计不合理或者模型参数设置不当，导致模型无法学习有效的特征和进行准确的分类。可以尝试调整模型的结构、参数和超参数，以提高模型的性能。
- 训练问题：可能是由于训练过程中的错误操作或者训练参数设置不当，导致模型无法正常训练。可以检查训练代码和训练参数的设置，确保训练过程正确进行。
总之，准确率和损失的值为0.000和nan表明模型在当前训练阶段没有取得良好的性能。需要进一步分析和调整数据、模型和训练过程，以提高模型的性能和收敛效果。
关于腾讯云相关产品和产品介绍链接地址，由于要求不能提及具体品牌商，建议您访问腾讯云官方网站，了解他们提供的云计算相关产品和服务。
相关·内容
5回答
哪种损失函数和度量用于具有非常高的阴性与阳性比率的多标签分类？
python、machine-learning、keras、multilabel-classification、vgg-net
我正在训练一个多标签分类模型来检测衣服的属性。我在Keras中使用迁移学习，重新训练vgg-19模型的最后几层。
属性的总数是1000，其中大约99%是0。准确率、精确度、召回率等指标都失败了，因为模型可以预测全零，但仍然可以获得非常高的分数。二进制交叉熵、汉明损失等在损失函数的情况下不起作用。
我使用的是深度时尚数据集。
那么，我可以使用哪些指标和损失函数来正确地测量我的模型呢？
浏览 1提问于2019-12-15得票数 12
1回答
为什么我的学习曲线会出现峰值或波动？
python、deep-learning、resnet、loss
我的学习曲线给出了一个3类分类问题的波动。我正在训练使用Resnet 50与899图像类1,899图像类2,690图像类3。我的模型的训练准确率为99.5%，验证准确率为93%，测试准确率为88%，周期= 300，批次大小为32，学习率为0.1。我试着将我的参数调整为50,100,200,300，批大小16,32，学习率0.1,0.01,0.001,0.0001，仍然存在尖峰。是我的模型或数据集有问题吗？我如何才能真正知道我的模型实际上正在学习？
浏览 2提问于2021-07-26得票数 0
1回答
CNN与RNN: 20_newsgroup数据的分类
rnn、cnn
我是ML领域的初学者。我正在学习角角，以获得亲身体验。我选择了20_新闻组数据的分类作为我的任务，我使用glove.6B.50d.txt进行嵌入。
我选择为这个任务训练一个RNN，因为它有更好地学习时间序列数据的能力。训练与不同组合的LSTM层和输出尺寸，然后收敛到一个组合。然后，我尝试了同样的任务的CNN模型。
我发现CNN模型可以学习得更快，在15个周期结束时的准确率约为65%，因为RNN模型需要50次才能获得相同的验证精度，即使尝试了几次学习率。但在最后，这两种模型在经过更长时间的训练后，其验证准确率约为65%-70%。我停止了在那里的探索。
我的问题是我假设/预期RNN会表现得更好。根
浏览 0提问于2018-05-23得票数 1
2回答
有多近足够近，与回归？
regression
在探索机器学习(神经网络)中的不同技术时，我喜欢用二进制分类问题作为测试平台，因为它很容易理解该技术工作得有多好: 50%的训练/测试准确率不亚于机会，70%是好的，98%是非常好的，等等。
然而，有时我需要使用回归问题来代替，在这里，我很难解释我的结果。如果我画了一个训练和测试均方误差的散点图，在训练前后，在训练前我得到0.1的损失，然后我得到0.01的损失。那是..。好的?我如何认识到成功和几乎没有比机会更好的区别？
通常，我是在处理合成问题，顺便说一句:拟合多项式或随机向量输入上的其他数学函数。
浏览 0提问于2021-02-20得票数 1
5回答
训练深度神经网络时精度突然下降
neural-network、deep-learning、mxnet
我正在使用mxnet训练一个11级的图像分类器.我观察到一种奇怪的行为训练的准确性在缓慢增长，上升到39%，在下一个时期下降到9%，然后在其余的训练中保持接近9%。我用保存的模型重新开始训练(训练准确率为39% )，保持所有其他参数不变。现在训练的准确性又在提高。这里的原因是什么？我无法理解它。用这种方式训练模型变得越来越困难，因为它要求我不断地看到训练的准确性值。
学习速率是不变的0.01
浏览 14提问于2016-05-05得票数 15
回答已采纳
1回答
验证准确率在达到90%后没有提高
python、deep-learning、conv-neural-network、tf.keras
我有大约14,000张图像用于人脸检测二进制分类任务。大约12,000张图像用于训练，2,200张用于验证。我的CNN架构如下-
regularizer = tf.keras.regularizers.l2(l=0.001)
init = tf.initializers.he_uniform()
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(filters = 32, kernel_size = (3, 3), strides = (1, 1), padding='same', activati
浏览 1提问于2019-10-19得票数 1
1回答
二分类神经网络给出了很低的误报率和很高的假阴性率。有谁能解释一下
machine-learning、neural-network、statistics、data-science、probability
我正在对不平衡数据进行二进制分类，比率为( 22 :1)意味着如果有22个正面例子，那么就有1个负面例子。我通过使用Over-Sampling来处理这个不平衡问题，它添加了来自少数类的示例副本，以平衡正类和负类。 现在我训练了神经网络模型。对于评估，我对低假阳性率(FPr)和低假阴性率(FNr)感兴趣，但它给了我意想不到的结果，非常低的假阳性率(0.02%)和非常高的假阴性率(82.1%)。此外，对于参考模型，准确率为90%，损失为23%。 我们通过以下公式来计算速率： FPr = FP/(FP+TN) and
FNr = FN/(Fn+TP) 这里，FP表示假阳性，TN表示真阴性，FN
浏览 54提问于2019-12-13得票数 0
1回答
期待您对我的损失/accuracy vs时期曲线的宝贵建议
python-3.x、tensorflow、machine-learning、keras、deep-learning
我的Keras-Tensorflow模型的行为如下图所示。我可以看到训练和验证损失表现良好，但训练和验证的准确性相当不正常。我认为验证数据集可能比训练集更容易。因此，我得到了很高的验证准确率。我期待着你的善意的建议。
<code>B0</code>
浏览 16提问于2020-03-18得票数 0
回答已采纳
1回答
如何防止Keras总是预测我的数据的潜在分布？
deep-learning、keras、data-science
我正在一个非常不平衡的数据集上训练一个深度CNN，用于一个二进制分类问题。我有90%0和10%1。为了惩罚1的错误分类，我使用了一个由sklearn的compute_class_weight()确定的class_weight。在传递给fit_generator()的验证元组中，我使用了一个由sklearn的compute_sample_weight()计算的sample_weight。
网络似乎学习得很好，但在每个时代之后，验证准确率继续保持在90%或10%。考虑到我已经采取的步骤，我如何在Keras中解决这个数据不平衡问题？
Fit_generator图片：
日志输出图片：
浏览 0提问于2017-11-07得票数 0
1回答
帮助Keras序列模型输出
machine-learning、python
我已经为MNIST数据集训练了一个带有keras的顺序模型，这是我使用的代码。
# Create the model
model = Sequential()
# Add the first hidden layer
model.add(Dense(50, activation='relu', input_shape = (X.shape[1],)))
# Add the second hidden layer
model.add(Dense(50, activation='relu'))
# Add the output layer
model.add(
浏览 0提问于2018-11-10得票数 1
回答已采纳
1回答
WEKA中的神经网络
machine-learning、neural-network、weka、text-classification
我有一个文本数据集，已经被分类了。我有7节课。
我使用Waikato环境进行知识分析，在建模中使用WEKA。同样地，我已经训练和测试了3种不同的算法，以确定哪种算法最适合我的数据集。
我尝试了朴素贝叶斯、J48和神经网络，它们都可以在WEKA的机器学习环境中使用。
在训练和测试中，找出了三种算法在准确性方面的排名，具体如下：
神经网络- 98%
朴素贝叶斯- 90%
J48 - 85%
根据以上结果，我决定使用神经网络并建立模型。我用JAVA创建了一个应用程序，并加载了由WEKA构建的神经网络模型。
然而，我的问题是，模型不能正确地预测新的数据。我有点困惑，因为在训练和测试
浏览 1提问于2018-03-13得票数 0
回答已采纳
1回答
训练损失还是考试损失？
tensorflow-federated
为了操作我的模型的度量标准，我想知道，我看到了federated_train_data上的损失还是federated_test_data上的损失？我读过这个：
培训损失看起来比评估损失要好得多:当使用联邦平均(联邦学习促进图像分类教程中使用的优化算法)时，需要仔细解释度量，因为它们与集中式模型培训有细微差别。特别是训练损失，这是在许多顺序步骤或批次上的平均。这意味着在一轮之后，每个客户端都可能很好地将模型与他们的本地数据相匹配(获得了很高的精度)，但是在将这些更新平均到全局模型之后，全局模型可能仍然远离“好”，因此测试精度很低。此外，10轮可能太少；联邦学习的原始学术论文之一显示了至少20轮，
浏览 4提问于2020-11-09得票数 0
4回答
大不平衡数据的机器学习模型建议
machine-learning、neural-network、classification、svm、logistic-regression
我有分类问题的数据集。我总共上了50节课。
Class1: 10,000 examples
Class2: 10 examples
Class3: 5 examples
Class4: 35 examples
.
.
.
and so on.
我尝试用支持向量机(线性核和高斯核)训练分类器。在测试数据上，我的准确率分别是65 %和72%。现在我在考虑一个神经网络。你对大型不平衡数据的机器学习模型和算法有什么建议吗？这对我会有很大帮助
浏览 6提问于2016-05-22得票数 4
回答已采纳
1回答
F1评分和准确性，哪个指标更重要？
classification
我有两个多类分类模型来进行预测(准确地说，类数是三个)。一个是Keras神经网络，另一个是Scikit学习库中的梯度增强分类器。
我注意到，在相同的数据上训练后，GBC具有较高的精度评分，而Keras模型具有较高的F1评分。我应该使用哪种模型来预测未来的数据？哪个指标更重要？
浏览 0提问于2019-12-23得票数 7
回答已采纳
2回答
在Keras模型中使用fit_generator
python、keras、neural-network、sparse-matrix、multilabel-classification
我正在尝试使用Keras和Tensorflow后端来训练神经网络。我的X是我处理并转换成序列的文本描述。现在，我的y是一个稀疏矩阵，因为它是一个多标签分类，并且我有许多输出类。
>>> y
<30405x3387 sparse matrix of type '<type 'numpy.int64'>'
with 54971 stored elements in Compressed Sparse Row format>
为了训练模型，我尝试定义一个批处理生成器：
def batch_generator(x, y,
浏览 17提问于2018-12-18得票数 1
回答已采纳
1回答
Tensorflow评估给出的误差比上一阶段的训练更大
python、tensorflow、keras、tensorflow2.0
我有一个TensorFlow回归模型。我不认为模型层的细节与这个问题有关，所以我跳过了。如果你觉得有用的话，我可以补充一下。
我使用以下代码进行编译。损失和度量是均方误差。
model.compile(
loss=tf.keras.losses.MeanSquaredError(), optimizer=tf.keras.optimizers.Adam(lr=0.001),
metrics=['mse']
)
现在，我运行以下代码来训练网络并对其进行评估。对模型进行了2个历次的训练，然后用evaluate方法对同一数据进行了评价，并用predict法和最小均方公
浏览 2提问于2021-04-05得票数 0
回答已采纳
1回答
Keras模型评估中的损失
machine-learning、keras、loss-function
我正在使用Keras loss='binary_crossentropy'、optimizer=tf.keras.optimizers.Adam进行二进制分类，最后一层是keras.layers.Dense(1, activation=tf.nn.sigmoid)。
据我所知，loss值被用于评估训练阶段的模型。但是，当我将Keras模型评估用于测试数据集(例如，m_recall.evaluate(testData,testLabel) )时，也存在loss值，并伴随着类似下面的输出的accuracy值。
test size: (1889, 18525)
1889/1889
浏览 0提问于2018-11-27得票数 5
回答已采纳
2回答
类预测训练精度与计算精度的差异
python、tensorflow、neural-network
用11200幅图像数据集对神经网络进行了训练，验证准确率为96%。我保存了我的模型，并将它的权重加载到同一个神经网络中。我在一个数组中选择了我的数据集的738幅图像，并试图用我的模型来预测它们的类别，并将它们与真实的标签进行比较，然后再一次计算出准确率，它是74%。这里有什么问题？我想它的准确度应该在96%左右。
prelist=[]
for i in range(len(x)):
prediction = model.predict_classes(x[i])
prelist.append(prediction)
count = 0
for i in range(len(x)
浏览 4提问于2020-02-21得票数 0
3回答
如果学习曲线显示验证误差低于训练误差，预测是否可信？
tensorflow、machine-learning、keras、neural-network
我正在使用神经网络(NN)作为我的地球物理学论文的一部分，并且正在使用TensorFlow和Keras来训练我的网络。
我目前的任务是使用神经网络来近似热力学模型，即非线性回归问题。它接受13个输入参数，并输出450个参数的速度剖面(速度与深度)。我的数据由100,000个合成示例(即没有噪声存在)、训练(80k)、验证(10k)和测试(10k)组成。
我已经针对许多不同的架构测试了我的网络:更宽(5-800个神经元)和更深(最多10层)，不同的学习率和批量大小，甚至是许多时期(5000)。基本上所有交易的标准技巧...
但是，令我困惑的是，学习曲线显示验证误差低于训练误差(对于我的所有测试)
浏览 0提问于2019-01-29得票数 2
1回答
在我预测Keras模型的结果之后，如何计算分类精度？
python、scikit-learn、keras、metrics
在训练的同时，建立了Keras模型和，分类精度指标达到0.78。
但是，在对模型进行培训之后，当我运行以下代码时，当预测输出相同的培训数据时：
predicted_labels = model.predict(input_data)
acc = sklearn.metrics.accuracy_score(true_labels, predicted_labels)
精度为0.39。总之，对于Keras和Sklearn，我没有得到相同的精确结果。
浏览 2提问于2018-12-05得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频活动推荐
腾讯云开发者
