Keras读书笔记----其他重要模块

1. 目标函数Objectives

目标函数，或称损失函数，是编译一个模型必须的两个参数之一
可以通过传递预定义目标函数名字指定目标函数，也可以传递一个Theano/TensroFlow的符号函数作为目标函数，该函数对每个数据点应该只返回一个标量值，并以下列两个参数为参数：
y_true：真实的数据标签， Theano/TensorFlow张量
y_pred：预测值，与y_true相同shape的Theano/TensorFlow张量

真实的优化目标函数是在各个数据点得到的损失函数值之和的均值
可用的目标函数

• mean_squared_error或mse
• mean_absolute_error或mae
• mean_absolute_percentage_error或mape
• mean_squared_logarithmic_error或msle
• squared_hinge
• hinge
• binary_crossentropy（亦称作对数损失， logloss）
• categorical_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为形如 (nb_samples, nb_classes) 的二值序列
• sparse_categorical_crossentrop：如上，但接受稀疏标签。注意，使用该函数时仍然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度： np.expand_dims(y,-1)
• kullback_leibler_divergence:从预测值概率分布Q到真值概率分布P的信息增益,用以度量两个分布的差异.
• poisson：即 (predictions - targets * log(predictions)) 的均值
• cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数

2. 优化器optimizers

优化器是编译Keras模型必要的两个参数之一，可以在调用 model.compile() 之前初始化一个优化器对象，然后传入该函数（如上所示），也可以在调用 model.compile() 时传递一个预定义优化器名。

参数 clipnorm 和 clipvalue 是所有优化器都可以使用的参数,用于对梯度进行裁剪.

2.1. SGD

keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)
随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量

• lr：大于0的浮点数，学习率
• momentum：大于0的浮点数，动量参数
• decay：大于0的浮点数，每次更新后的学习率衰减值
• nesterov：布尔值，确定是否使用Nesterov动量

2.2. RMSprop

keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-06)
除学习率可调整外，建议保持优化器的其他默认参数不变，该优化器通常是面对递归神经网络时的一个良好选择

• lr：大于0的浮点数，学习率
• rho：大于0的浮点数
• epsilon：大于0的小浮点数，防止除0错误

2.3. Adagrad

keras.optimizers.Adagrad(lr=0.01, epsilon=1e-06)
建议保持优化器的默认参数不变

• lr：大于0的浮点数，学习率
• epsilon：大于0的小浮点数，防止除0错误

2.4. Adadelta

keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)
建议保持优化器的默认参数不变

• lr：大于0的浮点数，学习率
• rho：大于0的浮点数
• epsilon：大于0的小浮点数，防止除0错误

2.5. Adam

keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)

• lr：大于0的浮点数，学习率
• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1
• epsilon：大于0的小浮点数，防止除0错误

2.6. Adamax

keras.optimizers.Adamax(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=1e-08)
Adamax优化器来自于Adam的论文的Section7，该方法是基于无穷范数的Adam方法的变体。

• lr：大于0的浮点数，学习率
• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1
• epsilon：大于0的小浮点数，防止除0错误

2.7. Nadam

keras.optimizers.Nadam(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=1e-08, schedule_decay=0.004)
Nesterov Adam optimizer: Adam本质上像是带有动量项的RMSprop， Nadam就是带有Nesterov 动量的Adam RMSprop

• lr：大于0的浮点数，学习率
• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1
• epsilon：大于0的小浮点数，防止除0错误

3. 激活函数Activations

激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递 activation 参数实现。

from keras.layers.core import Activation, Dense
model.add(Dense(64))
m