验证模型时，Keras中的详细用法是什么？

我是第一次运行LSTM模型。这是我的模型：

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)

训练模型时，冗长的用法是什么？

在此处查看有关model.fit的文档。

通过设置详细的0、1或2，您只需说出您想如何“看到”每个时期的训练进度。

verbose=0 不会显示任何内容（无声）

verbose=1 将显示如下动画进度条：

verbose=2 只会提到这样的纪元数：

verbose: Integer。0、1或2。详细模式。

详细== 0（无声）

详细== 1（进度条）

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

详细= 2（每个时期一行）

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

对于verbose> 0，fit方法日志：

• 损失：训练数据的损失函数值
• acc：您的训练数据的准确性值。

注意：如果使用正则化机制，则将其打开以避免过度拟合。

如果validation_data或validation_split参数不为空，则fit方法日志：

• val_loss：验证数据的损失函数值
• val_acc：验证数据的准确性值

注意：由于我们正在使用网络的所有功能，因此在测试时会关闭正则化机制。

例如，verbose在训练时使用模型可以帮助检测过度拟合，如果您在acc不断val_acc恶化的情况下不断改进，则会发生过度拟合。

默认情况下，详细= 1，

详细= 1，其中包括进度条和每个时期一行

详细= 0，表示无声

详细= 2，每个纪元一行，即纪元编号/总编号 时代

详细标志提供的详细信息顺序如下

更少的细节...。更多细节

0 <2 <1

默认为1

对于生产环境，建议2