Quelle est la différence entre la fonction de perte et la métrique dans Keras?
Il n'est pas clair pour moi la différence entre la fonction de perte et les métriques dans Keras. La documentation ne m'a pas été utile.
La fonction de perte est utilisée pour optimiser votre modèle. C'est la fonction qui sera minimisée par l'optimiseur.
Une métrique est utilisée pour évaluer les performances de votre modèle. C'est uniquement pour vous de regarder et n'a rien à voir avec le processus d'optimisation.
La fonction de perte est que le paramètre un passe à Keras model.compile qui est réellement optimisé lors de l'apprentissage du modèle. Cette fonction de perte est généralement minimisée par le modèle.
Contrairement à la fonction de perte, la métrique est une autre liste de paramètres passés à Keras model.compile qui est en fait utilisé pour juger les performances du modèle.
Par exemple: Pour une raison quelconque, vous souhaiterez peut-être minimiser la perte MSE pour un modèle de régression tout en souhaitant également vérifier l'ASC du modèle. Dans ce cas, le MSE est la fonction de perte et l'ASC est la métrique. La métrique est le paramètre de performance du modèle que l'on peut voir pendant que le modèle se juge sur l'ensemble de validation après chaque époque de formation. Il est important de noter que la métrique est importante pour quelques rappels Keras comme EarlyStopping lorsque l'on veut arrêter la formation du modèle au cas où la métrique ne s'améliore pas pour un certain non. des époques.
J'ai un exemple artificiel en tête: Pensons à la régression linéaire sur un plan 2D. Dans ce cas, la fonction de perte serait l'erreur quadratique moyenne, la ligne ajustée minimiserait cette erreur.
Cependant, pour une raison quelconque, nous sommes très très intéressés par la zone sous la courbe de 0 à 1 de notre ligne ajustée, et cela peut donc être l'une des mesures. Et nous surveillons cette métrique tandis que le modèle minimise la fonction de perte d'erreur quadratique moyenne.