背景
前面的文章主要是针对keras实际实际预测的数据，绘制了数据的折线图。实际上我们也要对我们的模型实效果做一些评估。目前比较主要的两个数据 loss 和acc。
绘制
原理
Keras模型训练中的history对象通过调用fit（）函数来训练LSTM模型。此函数返回一个名为history的对象，该对象包含损失的跟踪以及在编译模型期间指定的所有参数，在周期结束时记录数据。
代码
history = model.fit(xx)
acc = history.history['acc']
loss = history.history['loss']
epochs = range(1, len(acc) + 1)
plt.title('Accuracy and Loss')
plt.plot(epochs, acc, 'red', label='Training acc')
plt.plot(epochs, loss, 'blue', label='Validation loss')
plt.legend()
plt.show()
图：
loss 损失率
说到loss就要提到损失函数这个概念，损失函数是机器学习中里最基础，最关键的一个要素。损失函数的作用：衡量模型模型预测的好坏。直白点说真实值与预测值差别越大，Loss越大，我们的优化的目标就是减小Loss。损失函数越小，模型就越好。
统计学习中常用的损失函数有以下几种：
(1) 0-1损失函数(0-1 lossfunction):
(2) 平方损失函数(quadraticloss function)
(3) 绝对损失函数(absoluteloss function)
(4) 对数损失函数(logarithmicloss function)或对数似然损失函数(log-likelihood loss function)
loss曲线一些诊断和优化知道
常见情况
1）如果你的 learning_rate_policy 是 step 或者其他变化类型的话, loss 曲线可以帮助你选择一个比较合适的 stepsize。
2）如果loss曲线表现出线性（下降缓慢）表明学习率太低。
3）如果loss不再下降，表明学习率太高陷入局部最小值。
4）曲线的宽度和batch size有关，如果宽度太宽，说明相邻batch间的变化太大，应该减小batch size。
不收敛的问题（如loss为87.3365，loss居高不下等）的情况
1）在caffe中可以在solver里面设置：debug_info: true,看看各个层的data和diff是什么值，一般这个时候那些值不是NAN（无效数字）就是INF（无穷大）。
2）检查数据标签是否从0开始并且连续。
3）把学习率base_lr调低。
4）数据问题，lmdb生成有误。
5）中间层没有归一化，导致经过几层后，输出的值已经很小了，这个时候再计算梯度就比较尴尬了，可以尝试在各个卷积层后加入BN层和SCALE层。
5）把base_lr调低，然后batchsize也调高。
6）把data层的输入图片进行归一化，就是从0-255归一化到0-1。
7）网络参数太多，网络太深，删掉几层看看，可能因为数据少，需要减少中间层的num_output。
8）记得要shuffle数据，否则数据不够随机，几个batch之间的数据差异很小。
出现NAN情况
1）观察loss值的趋势，如果迭代几次以后一直在增大，最后变成nan，那就是发散了，需要考虑减小训练速率，或者是调整其他参数。
2）数据不能太少，如果太少的话很容易发散。
3）Gradient Clipp 处理gradient之后往后传，一定程度上解决梯度爆炸问题。
4）原因可能是训练的时间不够长。
5）可以看一下训练时，网络参数的L2或L1。
acc 准确率
这个比较简单，是真实值和模型预测值是否一致的标量形式。举个通俗的例子：假如真实值是[1,2,3,4,5,6]，预测结果是[1,2,3,4,7,8]。比例就是4/6。
loss曲线和acc曲线联合诊断
1）可以把accuracy和loss的曲线画出来，方便设定stepsize，一般在accuracy和loss都趋于平缓的时候就可以减小lr。
2）看第一次test时（即iteration 0），loss和精度，如果太差，说明初始点的设置有问题。
3）过拟合时loss下降，accuracy也下降。