classifier.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])classifier.fit(X_train, y_train, epochs=50, batch_size=100)Epoch 1/5027455/27455 [==============================] - 3s 101us/step - loss: 2.9622 - acc: 0.5374我知道第一行是在编译我的模型，第二行是在拟合它。我知道什么是优化器。我对metrics=['accuracy']的含义以及在编译模型时acc: XXX具体代表什么感兴趣。此外，当我训练我的模型时，得到的准确率是acc : 1.000（100%），但当我测试模型时，准确率只有80%。我的模型是否过拟合了？
回答：
好的，我们从头开始，
首先，metrics = ['accuracy']，模型可以根据多个参数进行评估，准确率是其中的一个指标，其他指标可以是binary_accuracy、categorical_accuracy、sparse_categorical_accuracy、top_k_categorical_accuracy和sparse_top_k_categorical_accuracy，这些只是内置的指标，你甚至可以创建自定义指标。要更详细地理解指标，你需要对神经网络中的loss有清晰的理解，你可能知道损失函数必须是可微的，以便进行反向传播，这在metrics的情况下是不必要的，指标纯粹用于模型评估，因此甚至可以是不可微的函数，正如Keras的文档中提到的
度量函数类似于损失函数，但评估度量的结果在训练模型时不使用。你可以使用任何损失函数作为度量函数。
你可以自己定义一个不可微但为模型需求创建目标函数的准确率。
简而言之；度量只是不用于反向传播但用于模型评估的损失函数。
现在，acc:xxx可能只是因为它甚至还没有完成一个小批量传播，因此无法给出准确率得分，我对此没有特别关注，但它通常会停留几秒钟，因此这是我的推测。
最后 当模型从训练中取出时，性能下降20%，是的，这可能是过拟合的情况，但没有人能在不查看你的数据集的情况下确定，但很可能确实是过拟合，你可能需要查看模型表现不佳的数据以了解原因。
如果有不清楚的地方，或者感觉讲得不对，欢迎评论。
