我正在使用損失函式：
meanAbsoluteError = tf.keras.losses.MeanAbsoluteError()
還有一個模型：
model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss=meanAbsoluteError)
現在我訓練它并獲取歷史：
history = model.fit(train_features, train_labels, epochs=100, validation_data=(test_features, test_labels))
我可以檢查最后損失有多低：
print(history.history["val_loss"][-1])
現在我嘗試手動計算測驗資料的損失，使用與validation_data訓練時傳入的相同資料：
print(meanAbsoluteError(model(test_features), test_labels).numpy())
但這給了我一個完全不同的數字！在我看來，這應該等于我從前面的運算式中得到的損失。但事實并非如此。
為什么這兩個數字不相等，哪一個是正確的損失？
我在這里檢查了如何呼叫損失函式：https ://www.tensorflow.org/api_docs/python/tf/keras/losses/Loss#call
我編輯了它以使用history.history["val_loss"]而不是history.history["loss"]按照建議使用，但它沒有修復它。
uj5u.com熱心網友回復：
您的問題似乎是由批量大小引起的。損失history['val_loss']是按批次計算的。如果您test_features的大小與訓練批次不同，則會給您帶來更大的損失。
你應該試試：
print(meanAbsoluteError(model(test_features[:batch_size]), test_labels[:batch_size]).numpy())
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/453225.html
上一篇：為什么我收到此錯誤“圖層“dense_30”的輸入0與圖層不兼容：預期min_ndim=2，發現ndim=1。收到完整形狀：（無，）”