TFLearn - Métriques pour valider et évaluer?

Question

J'utilise le modèle AlexNet dans TFLearn et il existe un procédé pour définir la couche de régression, qui est:

tflearn.layers.estimator.regression (incoming, placeholder='default', optimizer='adam', loss='categorical_crossentropy', metric='default', learning_rate=0.001, dtype=tf.float32, batch_size=64, shuffle_batches=True, to_one_hot=False, n_classes=None, trainable_vars=None, restore=True, op_name=None, validation_monitors=None, validation_batch_size=None, name=None) 

et elle indique que "A metric can also be provided, to evaluate the model performance.". Je me demande donc quand cette métrique est également utilisée pour la validation ou seulement pour l'évaluation utilisée? Si elle n'est pas utilisée dans la validation, en fonction de la métrique, la validation fonctionne-t-elle?

EDIT 1: J'ai découvert que la métrique déclarée dans la méthode regression() est également utilisée pour la validation. La mesure par défaut est Accuracy. Cependant, une chose que je ne comprends pas est que lorsque je n'utilise pas validation_set (ou le définir sur Aucun), le résumé lors de l'entraînement génère toujours la valeur acc. Alors, comment cette valeur de précision est-elle calculée?

EDIT 2: trouvé la réponse ici: https://github.com/tflearn/tflearn/issues/357

Answer 1

La précision formation acc est basée sur vos données de formation, alors que la précision de validation val_acc est basée sur les données de validation. Donc, omettre les données de validation ne changera pas la sortie.