Mxnet MNIST пример обучения возвращает почти постоянная RMSE

Question

Я сделал небольшое изменение в fit.py mxnet питона пример файл (изображение-классификации), добавив потери RMSE:

# evaluation metrices 
eval_metrics = ['accuracy'] 
eval_metrics.append('rmse') 

Затем работает на MNIST учебного примера, можно заметить, что rmse составляет около 5,2, а точность достигает около 99%.

Не следует ли наблюдать снижение RMSE?

Большое спасибо AL

Answer 1

Root Mean Square Error (СКО) является метрикой, которая используется для задач регрессии. В задаче регрессии сеть предсказывает реальное число, и качество этого предсказания можно измерить как функцию от численной разности между прогнозируемым значением и ожидаемым значением.

В классификации сеть назначает метки данным, а RMSE не является подходящей мерой для вычисления качества прогнозируемой метки, поскольку предсказание не является реальным числом. Кросс-энтропийная ошибка является более подходящей метрикой для задач классификации.

В этом случае, вы можете использовать перекрестную ошибку энтропии, как это:

eval_metrics = ['ce'] 
eval_metrics.append(mx.metric.create('ce'))