mae和acc

最新推荐文章于 2024-10-14 16:03:56 发布
最新推荐文章于 2024-10-14 16:03:56 发布
阅读量1.4k 收藏 3
点赞数
CC 4.0 BY-SA版权
分类专栏： 算法 文章标签： 调优
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u011334375/article/details/88636907
博客介绍了模型编译代码，重点阐述了在模型编译时，设置metrics为acc和mae降低loss值的区别。设置为acc以准确率降低loss值，设置为mae则以平均绝对误差降低loss值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

model.compile(loss=‘MSE’,
optimizer=adam,
metrics=[‘mae’]) 　metrics = acc和 mae的区别：
设置为ａｃｃ，以准确率来降低ｌｏｓｓ值；设置为ｍａｅ，以平均绝对误差(mean absolute error）来降低ｌｏｓｓ值

紧跟步伐，何恺明新作MAE复现历程
迈微AI研习社 · 号主
12-27 3483
本文已获CW不要無聊的風格的发布授权，原文标题为《别再无聊地吹捧了，一起来动手实现 MAE(Masked Autoencoders Are Scalable Vision Learners) 玩玩吧！》，如需转载请与原作者联系。
【图像重建指标 Metrics】均方误差RMSE及平均绝对误差MAE的定义和区别
TomRen
09-18 1万+
RMSE和MAE能很好的反应图像的重建结果与真实结果间的差异。
Keras训练模型过程中，在训练过程中的loss、acc、mae等参数的可视化问题
u010948546的博客
02-10 6726
在keras训练模型时，一般一个epoch结束以后才会显示在该epoch上的平均loss、acc、mae等指标。 模型代码如下 from keras.models import Sequential from keras.layers.convolutional import Conv3D from keras.layers.convolutional_recurrent import ConvL...
auc,acc,mae,rmse这四项指标对predict和label的形状以及数据类型的要求
qq_43971271的博客
08-25 598
在使用这些指标进行计算时，确保预测值和真实标签的形状和数据类型满足上述要求，以获得正确的结果。通常情况下，库函数（如Scikit-Learn或PyTorch内置的函数）会在内部处理这些要求，但在自定义计算时需要注意这些细节。
常见的性能评价指标（ACC-7，ACC，F1，MAE ，Corr ）
weixin_56533314的博客
10-14 2883
在多模态情感分析等机器学习任务中，和是常见的性能评价指标。它们用于评估模型在分类或回归任务中的表现，帮助研究人员和开发人员了解模型的预测准确性、误差大小和预测能力。
Keras损失函数与Metrics学习总结
zhenyu_qiu的博客
06-20 6110
1. 损失函数在Keras中的用法 损失函数（或称目标函数）是模型compile()是需要指定的参数之一。 指定方法有两种： 直接传递损失函数名 model.compile(loss='mean_squared_error', optimizer='sgd') 与optimizers类似，直接传递符号函数。 该符号函数为每个数据点返回一个标量，有以下两个参数: y_true: 真实标签。TensorFlow/Theano 张量。 y_pred: 预测值。TensorFlow/Theano 张量，其
数据分析师养成之路--keras学习中metrics和callbacks笔记
鲁鲁酱的博客
07-19 9165
complie中的metrics参数 model.compile(...metrics=['accuracy']) 如上, metrics中有两个arguments,y_true,和y_pred 它所接收的评估指标为,损失函数,(mse等)和准确率(accuracy等),它们都作用于训练集和验证集(eg: loss:..acc..mae .. val_loss:..val_a...
metrics=['mae', 'acc'])
04-02
metrics=['mae', 'acc'] This will create a list of evaluation metrics for a machine learning model. "mae" stands for Mean Absolute Error, which measures the average difference between predicted and ...
分享 | 视觉无监督学习新范式：MAE
shenlanshenyanai的博客
12-03 2988
近日，FAIR的最新论文《Masked Autoencoders Are Scalable Vision Learners》提出了一种更简单有效的用于ViT无监督训练的方法MAE，并在ImageNet-1K数据集上的top-1 acc达到新的SOTA：87.8%（无额外训练数据）。 自从ViT火了之后，一些研究者就开始尝试研究ViT的无监督学习，比如Mocov3用对比学习的方法无监督训练ViT，此外也有一些研究开始借鉴BERT中的MLM（masked language modeling）方法，比如BEi.
“best_val_acc = 0.0for epoch in range(training_epochs): model.train() train_loss = 0.0 train_mae = 0.0 with tqdm(total=len(train_loader), desc=f'Epoch {epoch + 1}/{training_epochs}', unit='batch', position=0, leave=True) as pbar: for X_batch, Y_batch in train_loader: X_batch, Y_batch = X_batch.to(device), Y_batch.to(device) optimizer.zero_grad() output = model(X_batch) loss = criterion(output, Y_batch) #训练过程 loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() output_np = output.detach().cpu().numpy() Y_batch_np = Y_batch.detach().cpu().numpy() output_np_flat = output_np.reshape(output_np.shape[0], -1) Y_batch_np_flat = Y_batch_np.reshape(Y_batch_np.shape[0], -1) mae = mean_absolute_error(Y_batch_np_flat, output_np_flat) train_loss += loss.item() train_mae += mae.item() pbar.set_postfix({'loss': f'{loss.item():.4f}', 'mae': f'{mae.item():.4f}'}) pbar.update(1) train_loss /= len(train_loader) train_mae /= len(train_loader) history['train_loss'].append(train_loss) history['train_mae'].append(train_mae) model.eval() val_loss = 0.0 val_mae = 0.0 val_acc = 0.0 with torch.no_grad(): for X_batch, Y_batch in valid_loader: X_batch, Y_batch = X_batch.to(device), Y_batch.to(device) output = model(X_batch) loss = criterion(output, Y_batch) output_np = output.detach().cpu().numpy() Y_batch_np = Y_batch.detach().cpu().numpy() output_np_flat = output_np.reshape(output_np.shape[0], -1) Y_batch_np_flat = Y_batch_np.reshape(Y_batch_np.shape[0], -1) mae = mean_absolute_error(Y_batch_np_flat, output_np_flat) val_loss += loss.item() val_mae += mae.item() acc = precision_score(Y_batch_np_flat, output_np_flat) val_acc += acc.item() val_loss /= len(valid_loader) val_mae /= len(valid_loader) val_acc /= len(valid_loader) history['val_loss'].append(val_loss) history['val_mae'].append(val_mae) print( f'Epoch {epoch + 1}/{training_epochs}, Train Loss: {train_loss:.4f}, Validation Loss: {val_loss:.4f}, Validation MAE: {val_mae:.4f}') if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), file_weights) print(f'Best model saved at epoch {epoch + 1} with validation loss {val_loss:.4f}')”你看我保存参数的定义对吧，如果按照验证机精度来保存的话
最新发布
03-09
如果Y_batch和output是连续值，那么直接使用precision_score会报错，或者得到不正确的结果。用户可能在计算准确率的时候有误，导致val_acc的值可能不合理，进而影响模型保存的条件。 另外，用户在每个验证批次中...
Keras--metrics相关问题
qq_43252507的博客
11-03 1760
最近做实验发现了一个奇怪的现象，让我有些迷 我的样本属于文本多标签分类问题，在metrics的选择上出现了问题，放几个实验结果。 模型是这样的 def birnn2(max_len = 29, vocab_size=394, embed_size=23): inputs = Input(shape=(max_len)) embedding_layer = Embedding(input_dim=394, output_d
metrics.accuracy_score()函数 计算acc
qq_45288176的博客
06-03 5020
引子 ：如图：在各种机器学习算法中我们经常会遇见metrics.accuracy_score()这个函数，她到底有什么作用呢？为此我专门搜集了一些先关资料。在二分类或者多分类中，预测得到的label，跟真实label比较，计算准确率。即：通过prediction预测结果和test_y测试集结果 计算得到模型的准确率分类准确率分数：是指所有分类正确的百分比......
keras model.compile()损失函数
vhhgfg74466的博客
02-27 1万+
keras model.compile(loss='目标函数 ', optimizer='adam', metrics=['accuracy']) 深度学习笔记 目标函数的总结与整理 目标函数，或称损失函数，是网络中的性能函数，也是编译一个模型必须的两个参数之一。由于损失函数种类众多，下面以keras官网手册的为例。 在官方keras.io里面，有如下资料： mean_squared_error...
对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理
あずにゃん梓喵的博客
08-20 3633
tensorflow 2.0 画出model网络模型的拓扑图 tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint） TensorBoard视觉化网络每层权重分布、视觉化网络层结构 MSE(均方误差)、MAE(平均绝对误差) from_logits CE(Cross-Entropy)、BCE(Binary Cross-Ent...
Keras参数设置说明
蜀山小道士的blog
10-06 1万+
(一)keras参数:loss 定义:loss是目标函数(损失函数) 可用目标函数:     -回归问题(loss='mse' | 'mae' | 'mape')     -分类问题(loss='binary_crossentropy' | 'categorical_crossentropy')      tip:1.binary_crossentropy作为目标函数用于二分类          ...
MSE与MAE的区别与如何选择
热门推荐
ningyanggege的博客
12-24 3万+
mark下，讲得非常好       http://rishy.github.io/ml/2015/07/28/l1-vs-l2-loss/        参考：https://baijiahao.baidu.com/s?id=1603857666277651546&wfr=spider&for=pc 
Keras评估标准Metrics
花木兰
10-10 7780
作用 评估函数用于评估当前训练模型的性能。当模型编译后，评价函数应该作为metrics的参数输入 from keras import metrics model.compile(loss='mean_squared_error', optimizer='sgd', metrics=[metrics.mae, metrics.categori...
用keras实现基本的回归问题
优快云2082的博客
12-06 626
数据集介绍 共有506个样本，拆分为404个训练样本和102个测试样本 该数据集包含 13 个不同的特征： 人均犯罪率。 占地面积超过 25000 平方英尺的住宅用地所占的比例。 非零售商业用地所占的比例（英亩/城镇）。 查尔斯河虚拟变量（如果大片土地都临近查尔斯河，则为 1；否则为 0）。 一氧化氮浓度（以千万分之一为单位）。 每栋住宅的平均房间数。 1940 年以前建造的自住房所占...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值