검증 데이터의 손실 값을 ‘훈련 손실(training loss)’과 구분하기 위해 ‘검증 손실(validation loss)’이라고 부릅니다. 훈련 데이터와 검증 데이터를 엄격하게 분리하는 것이 필수입니다. 검증 목적은 모델이 학습한 것이 새로운 데이터에 실제로 유용한지 모니터링하는 것이기 때문입니다. 검증 데이터의 일부가 훈련 도중 모델에 노출되면 검증 손실과 측정 지표가 오염될 것입니다.

훈련이 끝난 후 검증 손실과 측정 지표를 계산하고 싶다면 evaluate() 메서드를 사용할 수 있습니다.

loss_and_metrics = model.evaluate(val_inputs, val_targets, batch_size=128)

evaluate() 메서드는 전달된 데이터를 (batch_size 크기의) 배치로 순회하고 스칼라 값의 리스트를 반환합니다. 반환된 리스트의 첫 번째 항목은 검증 손실이고 이어지는 항목이 검증 데이터에 대한 측정 지표 값들입니다. 모델에 측정 지표를 지정하지 않았다면 (리스트가 아니라) 검증 손실만 반환됩니다.