Keras 在为多个 epoch 训练模型后默认使用哪个参数配置进行预测

Question

我有一个关于 Keras 的一般性问题。当使用训练、验证和测试数据的拆分（例如 70%、20%、10%）训练人工神经网络（例如多层感知器或 LSTM）时，我想知道训练的参数配置模型最终用于预测？

这里我有一个来自 11 个 epoch 的训练过程的例子：

我可以考虑3种可能的参数配置（肯定还有其他的）：

导致训练数据集中错误率最低的配置（在第 11 个纪元之后）
最后一个纪元之后的配置（第 11 个纪元之后，如 1.）
在验证数据集中导致最低错误的配置（将在第 3 个纪元之后）

如果你只是构建模型而不像这样：

# Build the model and train it

optimizer_adam = tf.keras.optimizers.Adam(lr= 0.001)
model = keras.models.Sequential([
    keras.layers.LSTM(10, return_sequences=True, input_shape=[None, numberOfInputFeatures]),
    keras.layers.LSTM(10, return_sequences=True),
    keras.layers.TimeDistributed(keras.layers.Dense(numberOfOutputNeurons))
    ])
    
    
model.compile(loss="mean_squared_error", optimizer=optimizer_adam, metrics=['mean_absolute_percentage_error'])
history = model.fit(X_train, Y_train, epochs=11, batch_size=10, validation_data=(X_valid, Y_valid))

# Predict the values from the test dataset
Y_pred = model.predict(X_test)

你能告诉我哪个配置用于预测行 Y_pred = model.predict(X_test) 中测试数据集的值吗？

Answer 1

这将是最后一个时期之后的配置（您提到的第二种可能的配置）。

Keras 在为多个 epoch 训练模型后默认使用哪个参数配置进行预测

Which parameter configuration is Keras using by default for predictions after training a model for multiple epochs

python

deep-learning

keras

tensorflow