Keras教学(12):使用Keras自定义神经网络的损失函数，你学废了吗

【写在前面】：大家好，我是【猪葛】
一个很看好AI前景的算法工程师
在接下来的系列博客里面我会持续更新Keras的教学内容（文末有大纲）
内容主要分为两部分
第一部分是Keras的基础知识
第二部分是使用Keras搭建FasterCNN、YOLO目标检测神经网络
代码复用性高
如果你也感兴趣，欢迎关注我的动态一起学习
学习建议：
有些内容一开始学起来有点蒙，对照着“学习目标”去学习即可
一步一个脚印，走到山顶再往下看一切风景就全明了了

本篇博客学习目标：1、重点是理解如何使用Keras自定义损失函数

一、损失函数的使用

损失函数是编译模型时所需的两个参数之一。

你可以传递一个现有的损失函数名

model.compile(loss='mean_squared_error', optimizer='sgd')

或者一个 TensorFlow 符号函数。

from keras import losses

model.compile(loss=losses.mean_squared_error, optimizer='sgd')

该符号函数为每个数据点返回一个标量，有以下两个参数:

• y_true: 真实标签。TensorFlow 张量。
• y_pred: 预测值。TensorFlow张量，其 shape 与 y_true 相同。

实际的优化目标是所有数据点的输出数组的平均值。

二、可用损失函数

误差函数标准写法应该是

from tensorflow.keras import losses
loss_zhi = losses.mean_squared_error(y_true, y_pred)

下面介绍几个常见的误差函数

序号	误差类型	误差函数
1	平方差误差损失，用于回归	mean_squared_error(y_true, y_pred)
2	绝对值误差损失，用于回归	mean_absolute_error(y_true, y_pred)
3	平均百分比误差损失，用于回归	mean_absolute_percentage_error(y_true, y_pred)
4	二元交叉熵，用于二分类	binary_crossentropy(y_true, y_pred)
5	类别交叉熵，用于多分类，并且要求y_pred为one_hot编码	categorical_crossentropy(y_true, y_pred)
6	稀疏类别交叉熵，用于多分类，并且要求y_pred为序号编码形式	sparse_categorical_crossentropy(y_true, y_pred)

大部分实际情况，损失函数都是需要我们自己定义的，所以我们了解上面这几个即可，不至于在教学进行演示的过程中不知道这些东西是什么。

三、自定义损失函数

假设我现在已经自定义好了一个python实现的损失函数myself_loss，我该如何将损失函数运用于模型的训练呢。

方法很简单

from keras import losses
def myself_loss(y_true, y_pred):
	# 写计算losses值的方式
	losses = y_true - y_pred
	return losses
model.compile(loss=myself_loss, optimizer='sgd')

直接将函数名传给loss参数即可。

值得注意的是，我们自定义损失函数的时候，参数必须并且只有两个，一个是y_true，一个是y_pred，并且y_true参数放在y_pred的前面。

以上就是本期内容，如果你也喜欢人工智能，欢迎查看我的博客，一起学习一起进步
最后附上该系列教学内容