keras_6_损失函数Losses

1. keras中使用loss

# 损失函数（或称目标函数、优化评分函数）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/Theano符号函数,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。
# 该符号函数为每个数据点返回一个标量，
from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='sgd')

2. keras官方支持的

1. mean_squared_error

2. mean_absolute_error

3. mean_absolute_percentage_error

4. mean_squared_logarithmic_error

5. squared_hinge

6. hinge

7. categorical_hinge

8. logcosh

   • 预测误差的双曲余弦的对数。对于小的x，log(cosh(x))近似等于(x ** 2) / 2。对于大的x，近似于abs(x) - log(2)。这表示logcosh与均方误差大致相同，但是不会受到偶尔疯狂的错误预测的强烈影响。

9. categorical_crossentropy

   • 注意: 当使用categorical_crossentropy损失时，你的目标值应该是分类格式 (即，如果你有10个类，每个样本的目标值应该是一个10维的向量，这个向量除了表示类别的那个索引为1，其他均为0，即one-hot编码)。 为了将 整数目标值 转换为 分类目标值，你可以使用Keras实用函数to_categorical：

     from keras.utils.np_utils import to_categorical
     categorical_labels = to_categorical(int_labels, num_classes=None) # 转化为one-hot encoding

10. sparse_categorical_crossentropy

11. binary_crossentropy

12. kullback_leibler_divergence

13. poisson

14. cosine_proximity

转载于:https://www.cnblogs.com/LS1314/p/10380623.html