我正在学习和试验神经网络，并希望得到更多有经验的人对以下问题的意见：
当我在Keras中训练一个Autoencoder（'mean_squared_error'损失函数和SGD优化器）时，验证损失逐渐减少 . 并且验证准确性正在提高 . 到现在为止还挺好 .
然而，过了一段时间，损失不断减少，但准确性突然回落到低得多的低水平 .
-
它是'normal'或预期的行为，准确度上升非常快并保持高位突然下降？
-
即使验证损失仍在减少，我是否应该以最大准确度停止训练？换句话说，使用val_acc或val_loss作为指标来监控提前停止？
看图像：
损失:(绿色= val，蓝色=火车）
准确度:(绿色= val，蓝色=火车]
更新：下面的评论指出了我正确的方向，我想我现在更了解它 . 如果有人能确认以下是正确的，那就太好了：
-
精度度量衡量y_pred == Y_true的百分比，因此仅对分类有意义 .
-
我的数据是真实和二进制功能的组合 . 精度图上升非常陡然然后回落，而损失继续减少的原因是因为大约5000年左右，网络可能预测/ - 50％的二进制特征正确 . 当训练继续时，在12000年左右，实际和二元特征的预测一起得到改善，因此损失减少，但单独预测二元特征的准确性稍差 . 因此，精度下降，而损失减少 .
1 回答
如果您在询问是否使用损失或准确性......那么这就是答案
如果预测是实时的或数据是连续的而不是离散的，则使用MSE（均方误差），因为这些值是实时的 .
但是在离散值的情况下（即）分类或聚类使用准确性，因为给出的值仅为0或1 . 因此，这里MSE的概念将不适用，而是使用准确度=没有错误值/总值* 100 .