python 均方误差_当损耗是均方误差（MSE）时，什么函数定义了Keras的准确度？

当损耗是均方误差(MSE)时，什么函数定义了Keras的准确度？

当损失函数是均方误差时，如何定义准确度？是绝对百分比误差吗？

我使用的模型具有输出激活线性和编译 loss= mean_squared_error

model.add(Dense(1))

model.add(Activation('linear'))  # number

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

输出看起来像这样：

Epoch 99/100

1000/1000 [==============================] - 687s 687ms/step - loss: 0.0463 - acc: 0.9689 - val_loss: 3.7303 - val_acc: 0.3250

Epoch 100/100

1000/1000 [==============================] - 688s 688ms/step - loss: 0.0424 - acc: 0.9740 - val_loss: 3.4221 - val_acc: 0.3701

那么例如val_acc：0.3250是什么意思？Mean_squared_error应该是标量而不是百分比 - 不应该吗？那么val_acc - 均方误差，或平均百分比误差或其他函数？

根据维基百科上的MSE定义：https：//en.wikipedia.org/wiki/Mean_squared_error

MSE是估计量质量的度量 - 它总是非负的，接近零的值更好。

这是否意味着价值val_acc: 0.0优于val_acc: 0.325？

编辑：我训练时精确度量输出的更多示例 - 随着我训练更多，精度会增加。虽然损失函数 - mse应该减少。是否为mse定义了准确度 - 它是如何在Keras中定义的？

lAllocator: After 14014 get requests, put_count=14032 evicted_count=1000 eviction_rate=0.0712657 and unsatisfied allocation rate=0.071714

1000/1000 [==============================] - 453s 453ms/step - loss: 17.4875 - acc: 0.1443 - val_loss: 98.0973 - val_acc: 0.0333

Epoch 2/100

1000/1000 [==============================] - 443s 443ms/step - loss: 6.6793 - acc: 0.1973 - val_loss: 11.9101 - val_acc: 0.1500

Epoch 3/100

1000/1000 [==============================] - 444s 444ms/step - loss: 6.3867 - acc: 0.1980 - val_loss: 6.8647 - val_acc: 0.1667

Epoch 4/100

1000/1000 [==============================] - 445s 445ms/step - loss: 5.4062 - acc: 0.2255 - val_loss: 5.6029 - val_acc: 0.1600

Epoch 5/100

783/1000 [======================>.......] - ETA: 1:36 - loss: 5.0148 - acc: 0.2306