简短的回答是：不要放弃 KL 术语。

由 VAE 优化的重建误差加上 KL 项是对数似然的下限（也称为“证据下限”或 ELBO）[1]。对数似然是衡量模型解释数据的程度的一种方法。如果这就是您所追求的，那么尝试评估对数似然是有意义的。这不是直截了当的，但可能[2]。

您可以使用 ELBO 作为对数似然的保守估计。因此，使用重建误差加上 KL 项作为您的validation_loss.

问问自己为什么要训练变分自编码器 (VAE)。如果你能回答这个问题，评估（和训练）你的模型的正确方法将变得更加清晰。重构误差对您的应用程序重要吗？如果是，那么重建错误可以用于验证，但是我会质疑您为什么要针对对数似然进行优化。

[1] Kingma & Welling，自动编码变分贝叶斯，2014（等式 2）

[2] Wu et al., On the Quantitative Analysis of Decoder Based Generative Models , 2017

如果您忽略正则化部分（KL 散度），您将无法将其与训练损失进行比较。确实，添加正则化是为了更好地优化模型的参数，而不是为了更好地逼近损失函数。您可以为此添加“mse”指标，

Model.compile(...,metric=['mse'])

您可以查看此 keras 问题页面以进行更详细的讨论。