损失和准确率收敛，但模型仍在改进

Question

我正在使用tensorflow-gpu 1.9.0以兼容我们在 GPU 机器上拥有的 CUDA 和 cuDNN 版本。 这可能是相关的。

我有一个用于医学图像特征提取的卷积自动编码器。 不用担心可能的过度拟合，我可以通过查看与输入相比的输出图像来判断当前模型有多“好”（因为自动编码器试图仅使用瓶颈特征来重建输入）。 我知道模型不一定提取更多有用的特征，它重建输入的效果越好，但这不是问题也不是问题。

我的问题如下：训练损失和准确率在大约 45 个时期后收敛。 如果我查看输出，我可以清楚地看到形状与原始图像有些相似（我无法在此处显示这些图像）。 如果我继续训练模型，损失不会继续减少（准确度也不会增加），但是，模型在重建输入时会变得更好。 我可以通过并排比较输入和输出来判断。

我已经对模型进行了多达 1000 个 epoch 的训练。 重建的图像比来自 45 epoch 模型的图像好得多，但两种模型的损失相同（0.0070），精度相同。

这是完全出乎意料的行为。 如果损失保持不变，模型怎么可能变得更好？

我使用的损失函数是binary_crossentropy 。

Answer 1

您可以添加衡量其他一些错误（如 MSE）的指标 ( https://keras.io/metrics/ ) 并告诉我们它是如何工作的。