首先，使用您作为示例的代码片段：
model.compile(loss='mean_squared_error', optimizer='sgd', metrics='acc')
实际上是 无效的 （尽管Keras不会产生任何错误或警告），原因很简单：MSE是 回归 问题的有效损失，而 回归
问题的准确性是毫无意义的（仅对 分类
问题有意义，而MSE并非如此）有效的损失函数）。有关详细信息（包括代码示例），请参见以下内容中的答案：当损失为均方误差（MSE）时，哪个函数定义Keras的准确性？; 对于scikit-
learn中类似的情况，请在此线程中查看自己的答案。
继续回答您的一般问题：在 回归 设置中，通常我们不需要单独的性能指标，为此，我们通常只使用损失函数本身，即，您使用的示例的正确代码将简单地是
model.compile(loss='mean_squared_error', optimizer='sgd')
没有任何
metrics指定。我们当然可以使用
metrics='mse'，但这是多余的，并不是真正需要的。有时人们使用类似
model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['mse','mae'])
即根据MSE损失优化模型，但除MSE之外，还以平均绝对误差（MAE）展示其性能。
现在，您的问题是：
在训练过程中，模型的重点是否应该最大化acc（或最小化1 / acc）而不是最小化MSE？
至少在原则上确实是有效的（保留用于MSE的参考），但仅适用于 分类
问题，在这种情况下，粗略地说，情况如下：我们不能使用庞大的凸优化方法库来直接最大化准确性，因为准确性不是微分函数；因此，我们需要代理可区分函数以用作损失。适用于分类问题的这种损失函数最常见的例子是交叉熵。
毫不奇怪，尽管上下文略有不同，但您的问题会不时出现。例如查看自己的答案
- 成本函数训练目标与准确性目标
- 定位特定指标以优化张量流
对于二进制分类的特殊情况下的损失和准确性之间的相互作用，您可能会在以下有用的线程中找到我的答案：
- 损失和准确性-这些学习曲线是否合理？
- Keras如何评估准确性？
