我还不清楚metrics的具体含义（如下面代码所示）。它们到底在评估什么？为什么我们需要在model中定义它们？为什么一个模型可以有多个metrics？更重要的是，这背后的机制是什么？任何科学参考文献也将受到欢迎。
model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['mae', 'acc'])回答：
为了理解metrics是什么，最好先了解loss函数的概念。神经网络主要通过梯度方法进行训练，这是一个通过迭代降低loss函数的过程。
loss函数被设计成具有两个关键特性 – 首先，数值越小，模型对数据的拟合效果就越好；其次，它必须是可微分的。了解这一点后，我们可以完全定义metric的含义：它是一个函数，根据预测值和来自样本的真实值，为您提供一个标量度量，用于衡量模型对数据的“适应度”。因此，正如您所看到的，loss函数是一种metric，但反之不一定成立。为了理解这些差异，让我们看看metrics使用的最常见示例：
-
使用不可微分的函数测量网络的性能：例如，准确率是不可微分的（甚至不是连续的），因此您无法直接针对它来优化网络。然而，您可以使用它来选择准确率最高的模型。
-
当您的最终loss是多个loss函数的组合时，获取不同loss函数的值：假设您的loss包含一个正则化项，用于衡量权重与
0的差异，还有一个项用于衡量模型的适应度。在这种情况下，您可以使用metrics来单独跟踪模型适应度在各个epoch中的变化情况。 -
跟踪您不想直接优化模型的度量：假设您正在解决一个多维回归问题，您主要关注
mse，但同时您也对解决方案的cosine-distance随时间的变化感兴趣。在这种情况下，最好使用metrics。
我希望以上解释清楚了metrics的用途，以及为什么您可以在一个模型中使用多个metrics。现在，让我们简单谈谈它们在keras中的使用机制。在训练过程中计算它们有两种方式：
-
使用编译时定义的
metrics：这是您直接询问的内容。在这种情况下，keras为您定义的每个metric定义一个单独的张量，以便在训练时计算。这通常会使计算更快，但这需要额外的编译，并且metrics应该使用keras.backend函数来定义。 -
使用
keras.callback：您可以使用Callbacks来计算您的metrics。由于每个回调都有一个默认的model属性，您可以在训练时使用model.predict或模型参数来计算各种metrics。此外，这使得可以不仅按epoch计算，还可以按批次或训练过程计算。这会导致计算速度变慢，并且逻辑更加复杂 – 因为您需要自己定义metrics。
您可以在这里找到可用的metrics列表，以及如何定义您自己的metrics的示例。
