简介–这个问题非常简单，我是该领域的新手，在Stackoverflow上找不到令人满意的答案。
问题本身–
准确度单位显然是百分比（％），但是损失和有效损失单位是什么？它们与准确性有何关系？我该如何使用它们？他们的总体基准目标是什么？
问题是HTR / OCR字符分类。
例如，这是第16个模型损失0.07，而val损失0.09的真正含义是什么？
最佳答案
主要区别在于，由于您具有不同的损失函数（如@Matias Valdenegro所述），因此它们没有单位，除了不同损失函数的相同值将产生比模型更好/更差的模型/结果的事实。其他（由于损失函数的构建，二进制交叉熵的0.15损失与FocalLoss的0.15损失不同）。
但是，在这里我要指出一个区别，以上答案中没有提到。
原则上，损失函数的值越小，精度越高。
但这并非总是如此。
在上图中，您可以看到100％的精度沿2.0794的损失，而66.67％的精度沿1.8220的损失。
哪种型号更好？
不太明显（特别是对于初学者）的答案是：显然是第一个模型。事实是，如果您查看预测，则如果第二个模型的所有预测都具有pApple 0.49，则您将具有0％的准确性（在大多数情况下，已确定的阈值为0.5）。
另一个例子（与上面的图片无关）更加明显：
假设您有两个模型，它们在测试集上的准确率达到100％。
现在，假设像上面的示例一样，您所有的测试图像都是苹果。
但是，当您查看预测时，第一个模型预测所有苹果的置信度为0.6，而第二个模型预测所有苹果的置信度为0.96。如果您考虑阈值，如果预测> 0.5会为您提供特定类别，则两个模型的准确性均为100％。
但是，如果您查看损失函数值图，则可以发现，在第二种模型的情况下，损失要低得多。
始终根据验证集上的最佳损失值保存/检查模型。
关于tensorflow - 什么是估值损失单位Keras/Tensorflow，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59598570/