Keras训练中每轮内各批次loss与acc的计算依据问询

你猜的完全没错！Keras在训练时，单个epoch里每批次输出的loss和acc，就是基于当前刚完成训练的这批训练样本计算出来的，和验证集没有任何关系。

具体来说，当你用verbose=1（也就是你示例里的进度条模式）运行model.fit()时：

• 进度条里的数字比如54320/55200，代表已经完成训练的样本总数
• 后面跟着的loss和acc，是刚刚跑完的这个batch的训练样本上的即时计算结果（不同Keras版本可能有细微差异，但核心都是基于训练数据，而非验证数据）
• ETA则是根据已经用掉的训练时间，预估整个epoch剩余的训练时间

这里要特别区分验证集的指标：验证集的val_loss和val_acc只会在整个epoch的训练样本全部跑完之后才会计算并显示，而且只有当你设置了validation_data或者validation_split参数时才会出现——它是模型用整个验证集跑一遍得到的结果，绝对不会出现在批次进度条的实时输出里。

如果你想验证这个逻辑，很简单：找个极小的自定义数据集（比如10个标注样本），把batch_size设为2，然后手动计算每个batch的loss和acc，对比Keras输出的实时指标，你会发现完全对应上。

内容的提问来源于stack exchange，提问作者black zeng