我正在使用Python中的Tensorflow/Keras进行时间序列分析。整个LSTM模型如下所示，
model = keras.models.Sequential()model.add(keras.layers.LSTM(25, input_shape = (1,1), activation = 'relu', dropout = 0.2, return_sequences = False))model.add(keras.layers.Dense(1))model.compile(optimizer = 'adam', loss = 'mean_squared_error', metrics=['acc'])tensorboard = keras.callbacks.TensorBoard(log_dir="logs/{}".format(time()))es = keras.callbacks.EarlyStopping(monitor='val_acc', mode='max', verbose=1, patience=50)mc = keras.callbacks.ModelCheckpoint('/home/sukriti/best_model.h5', monitor='val_loss', mode='min', save_best_only=True)history = model.fit(trainX_3d, trainY_1d, epochs=50, batch_size=10, verbose=2, validation_data = (testX_3d, testY_1d), callbacks=[mc, es, tensorboard])我得到了以下结果，
Train on 14015 samples, validate on 3503 samplesEpoch 1/50- 3s - loss: 0.0222 - acc: 7.1352e-05 - val_loss: 0.0064 - val_acc: 0.0000e+00Epoch 2/50- 2s - loss: 0.0120 - acc: 7.1352e-05 - val_loss: 0.0054 - val_acc: 0.0000e+00Epoch 3/50- 2s - loss: 0.0108 - acc: 7.1352e-05 - val_loss: 0.0047 - val_acc: 0.0000e+00现在val_acc保持不变。这是正常的吗？这意味着什么？
回答：
如loss = 'mean_squared_error'所示，你处于一个回归设置中，准确率是没有意义的（它只在分类问题中有意义）。
不幸的是，Keras不会在这种情况下“保护”你，它坚持计算并报告回一个“准确率”，尽管这对你的问题来说是没有意义和不合适的 – 请参阅我在当损失为均方误差（MSE）时，Keras中定义准确率的函数是什么？中的回答
你应该简单地从模型编译中删除metrics=['acc']，不必在意 – 在回归设置中，MSE本身可以（而且通常确实）也作为性能指标。
