我刚刚使用Keras构建了我的第一个模型，这是它的输出。看起来像是构建任何Keras人工神经网络后的标准输出。即使查看了文档，我仍然不太理解epoch和loss在输出中代表什么意思。

Keras中的epoch和loss是什么？

（我知道这可能是一个非常基础的问题，但我似乎在网上找不到答案，如果答案真的很难从文档中理解，我想其他人也会有同样的疑问，因此我决定在这里发布这个问题。）

Epoch 1/201213/1213 [==============================] - 0s - loss: 0.1760     Epoch 2/201213/1213 [==============================] - 0s - loss: 0.1840     Epoch 3/201213/1213 [==============================] - 0s - loss: 0.1816     Epoch 4/201213/1213 [==============================] - 0s - loss: 0.1915     Epoch 5/201213/1213 [==============================] - 0s - loss: 0.1928     Epoch 6/201213/1213 [==============================] - 0s - loss: 0.1964     Epoch 7/201213/1213 [==============================] - 0s - loss: 0.1948     Epoch 8/201213/1213 [==============================] - 0s - loss: 0.1971     Epoch 9/201213/1213 [==============================] - 0s - loss: 0.1899     Epoch 10/201213/1213 [==============================] - 0s - loss: 0.1957     Epoch 11/201213/1213 [==============================] - 0s - loss: 0.1923     Epoch 12/201213/1213 [==============================] - 0s - loss: 0.1910     Epoch 13/201213/1213 [==============================] - 0s - loss: 0.2104     Epoch 14/201213/1213 [==============================] - 0s - loss: 0.1976     Epoch 15/201213/1213 [==============================] - 0s - loss: 0.1979     Epoch 16/201213/1213 [==============================] - 0s - loss: 0.2036     Epoch 17/201213/1213 [==============================] - 0s - loss: 0.2019     Epoch 18/201213/1213 [==============================] - 0s - loss: 0.1978     Epoch 19/201213/1213 [==============================] - 0s - loss: 0.1954     Epoch 20/201213/1213 [==============================] - 0s - loss: 0.1949

回答：

为了更具体地回答这些问题，这里是epoch和loss的定义：

Epoch：对所有训练数据的一次完整遍历。

例如，在你上面看到的视图中，你有1213个观测值。因此，当完成对所有1213个观测值的训练遍历时，一个epoch就结束了。

Loss：我们在训练模型时试图最小化的标量值。loss值越低，我们的预测就越接近真实标签。

这通常是均方误差（MSE），正如上面[隐藏人名]所说，或者在Keras中，通常是分类交叉熵

在运行Keras模型的fit方法时，你期望看到的是loss在n个epoch中逐渐减少。你的训练运行相当异常，因为你的loss实际上在增加。这可能是由于学习率过大，导致你超过了最优点。

正如[隐藏人名]提到的，你需要查看模型在未见数据上的表现，因为这是机器学习的一般用例。

因此，你应该在compile方法中包含一个度量列表，可能会像这样：

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

以及在fit方法中对验证数据运行模型，例如：

model.fit(data, labels, validation_split=0.2)

还有很多需要解释的，但希望这能帮助你开始。