Keras 中二进制交叉熵损失值的含义？
Implication of binary cross entropy loss value in Keras?
在训练过程中，我看到二元交叉熵损失是正向无界的。
那么我们是否可以仅通过查看损失值来解释任何事情，例如，如果二元交叉熵损失为 0.5，这是否意味着模型只能在一半的时间内猜出正确的结果？
看到的损失是损失的平均值。当你有一个输出 sigmoid，批量大小为 1 时，在我看来，这是正确的。具有更大的批量大小，使这更复杂。一个例子：
batch_size=4
error_batch_1 = 0.4 #close
error_batch_2 = 0.3 #close
error_batch_3 = 0.3 #close
error_batch_4 = 1 #far away
计算平均值后，我们得到：2/4 = 0.5
当您以这种方式查看错误时，您会认为一半的预测是正确的，但实际上，4 个预测中有 3 个是正确的（这意味着结果四舍五入为 1 或 0）
在训练过程中，我看到二元交叉熵损失是正向无界的。 那么我们是否可以仅通过查看损失值来解释任何事情，例如，如果二元交叉熵损失为 0.5，这是否意味着模型只能在一半的时间内猜出正确的结果？
看到的损失是损失的平均值。当你有一个输出 sigmoid，批量大小为 1 时，在我看来，这是正确的。具有更大的批量大小，使这更复杂。一个例子：
batch_size=4
error_batch_1 = 0.4 #close
error_batch_2 = 0.3 #close
error_batch_3 = 0.3 #close
error_batch_4 = 1 #far away
计算平均值后，我们得到：2/4 = 0.5
当您以这种方式查看错误时，您会认为一半的预测是正确的，但实际上，4 个预测中有 3 个是正确的（这意味着结果四舍五入为 1 或 0）