keras中的损失函数

只是为了记录下如何选择损失函数，把公式贴上来了，有些损失函数的公式没找到，以后找到了再贴上来。

损失函数是模型优化的目标，所以又叫目标函数、优化评分函数，在keras中，模型编译的参数loss指定了损失函数的类别，有两种指定方法：

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

或者

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

你可以传递一个现有的损失函数名，或者一个TensorFlow/Theano符号函数。 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/Theano张量
• y_pred: 预测值. TensorFlow/Theano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。

mean_squared_error

mean_squared_error(y_true, y_pred)

源码：

def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

说明：

MSE:

$$L= \frac {1}{n} \sum^n_{i=1} (y_{pred}^{(i)} - y_{true}^{(i)})^2$$

mean_absolute_error

mean_absolute_error(y_true, y_pred)

源码：

def mean_absolute_error(y_true, y_pred):
    return K.mean(K.abs(y_pred - y_true), axis=-1)

说明：

MAE：

$$L= \frac {1}{n} \sum^n_{i=1} |(y_{pred}^{(i)} - y_{true}^{(i)})|$$

mean_absolute_percentage_error

mean_absolute_percentage_error(y_true, y_pred)

源码：

def mean_absolute_percentage_error(y_true, y_pred):
    diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),
                                            K.epsilon(),
                                            None))
    return 100. * K.mean(diff, axis=-1)

说明：

MAPE：