在构建keras模型时，loss（损失函数）、metrics（度量标准）和scoring（评分方法）之间有什么区别？它们应该相同还是不同？在一个典型的模型中，我们在GridSearchCV中使用这三者。

这里展示了一个典型的回归模型的快照，该模型使用了这三者。

def create_model(): model = Sequential() model.add(Dense(12, input_dim=1587, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error']) return modelmodel = KerasRegressor(build_fn=create_model, verbose=0)batch_size = [10, 20, 40, 60, 80, 100]epochs = [10, 50, 100]param_grid = dict(batch_size=batch_size, epochs=epochs)grid = GridSearchCV(estimator=model,param_grid=param_grid, scoring='r2' n_jobs=-1)grid_result = grid.fit(X, Y)

回答：

不，它们是不同的，在代码中用于不同的目的。

你的代码中有两个部分。

1) Keras部分：

 model.compile(loss='mean_squared_error',                optimizer='adam',                metrics=['mean_squared_error'])

a) loss：在文档的编译部分这里，你可以看到：

损失函数是模型尝试最小化的目标。

因此，它实际上是与optimizer（优化器）一起用于训练模型的。

b) metrics：根据文档：

度量函数类似于损失函数，但评估度量的结果不会用于训练模型。

这仅用于报告度量结果，以便用户（你）可以判断模型的表现。它不会影响模型的训练方式。

2) 网格搜索部分：

scoring：同样，查看文档

一个单一的字符串或一个可调用的对象，用于评估测试集上的预测结果。

这用于查找你定义在param_grid中的参数组合，以获得最佳score（得分）。

它们可以（在大多数情况下）是不同的，这取决于你的需求。