在搭建完网络以后,就需要配置模型训练的函数,比如损失函数、误差方向传播优化算法等。Tensorflow 2.* 中compile编译函数便集成了此项功能,比如对于一个分类问题,常见的形式如下:
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
文章目录
tf.keras.Model.compile()
optimizer 优化器
基于训练数据和损失函数来更新网络的机制,常用的有Adam, RMSprop、SGD等
loss 损失函数
网络衡量在训练数据上的性能,即网络如何朝着正确的方向前进。
BinaryCrossentropy, CategoricalCrossentropy,KLDivergence等
metrics 监控指标
训练和测试过程中需要监控的指标。常用的有AUC、Accuracy、BinaryAccuracy、BinaryCrossentropy, CategoricalCrossentropy, KLDivergence、Precision等等
loss和metrics关系
- loss和metrics都是用来评价训练过程中模型的预测性能;
- optimizer是根据lo