keras model.compile(loss='目标函数 ', optimizer='adam', metrics=['accuracy'])

最新推荐文章于 2024-03-17 23:59:19 发布
最新推荐文章于 2024-03-17 23:59:19 发布
阅读量1.1w 收藏 43
点赞数 4
文章标签： 人工智能 python 数据结构与算法
原文链接：http://www.cnblogs.com/smuxiaolei/p/8662177.html
版权
　　目标函数，或称损失函数，是网络中的性能函数，也是编译一个模型必须的两个参数之一。由于损失函数种类众多，下面以keras官网手册的为例。在官方keras.io里面，有如下资料：mean_squared_error或msemean_absolute_error或maemean_absolute_percentage_error或mapemea...
摘要由CSDN通过智能技术生成

　　目标函数，或称损失函数，是网络中的性能函数，也是编译一个模型必须的两个参数之一。由于损失函数种类众多，下面以keras官网手册的为例。

在官方keras.io里面，有如下资料：

  • 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.

  • cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数

mean_squared_error

　　顾名思义，意为均方误差，也称标准差，缩写为MSE，可以反映一个数据集的离散程度。

　　标准误差定义为各测量值误差的平方和的平均值的平方根，故又称为均方误差。

　　公式：

 

　　公式意义：可以理解为一个从n维空间的一个点到一条直线的距离的函数。（此为在图形上的理解，关键看个人怎么理解了）

mean_absolute_error

　　译为平均绝对误差，缩写MAE。

　　平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。

　　公式：（fi是预测值，yi是实际值,绝对误差|e_{i}|=|f_{i}-y_{i}|)

 

 

mean_absolute_percentage_error

　　译为平均绝对百分比误差 ，缩写MAPE。

　　公式：（At表示实际值，Ft表示预测值）

 

 

mean_squared_logarithmic_error

　　译为均方对数误差,缩写MSLE。

　　公式：（n是整个数据集的观测值ÿ

最低0.47元/天 解锁文章
weixin_30919429
关注
  • 4
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
keras中的loss、optimizer、metrics用法
09-16
在`model.compile()`中，`metrics`参数可以是一个字符串列表，如`metrics=['accuracy']`，也可以是自定义的可调用函数。Keras在`keras.engine.train.py`中处理这些指标，确保在每个训练批次和整个训练集上计算并记录...
keras 自定义loss损失函数,sample在loss上的加权和metric详解
09-16
model.compile(optimizer='adam', loss='mse', metrics=[custom_accuracy]) ``` 请注意，为了能够保存和加载包含自定义损失函数或指标的模型，你需要确保这些函数在Keras的源代码目录中可用，或者将其复制到`keras....
keras笔记——model.compile()函数
热门推荐
WWWWWWGJ的博客
01-13 5万+
model.compile (optimizer=Adam(lr=1e-4), loss=’binary_crossentropy’, metrics=[‘accuracy’]) optimizer：优化器，如Adam loss：计算损失，这里用的是交叉熵损失 metrics: 列表，包含评估模型在训练和测试时的性能的指标，典型用法是metrics=[‘accuracy’]。如果要在多输出模...
keras中的compile()
weixin_67609590的博客
06-22 1956
keras中的compile()
Keras： model.compile中自定义loss函数
最新发布
Terminal_wen的博客
03-17 867
Keras中自定义复杂的loss函数
从零开始 Keras ：搭建你的第一个神经网络
KalsasCaesar的博客
06-11 598
优秀外文博文搬运 + 翻译 原作者：Victor Zhou 链接：Keras for Beginners: Building Your First Neural Network @ Victor Zhou 本文为转载翻译内容，文章内容著作权归原作者所有 本文翻译已获得原作者授权 以下为翻译内容（斜体加粗部分为博主补充内容，非原文内容）： Keras 是 Python 中一种简单易用但却非常强大深度学习库。在这篇博文中，我们将认识到用 Keras 去建立一个前馈型神经网络，训练并用它解决实际问题是多么的
Optimizer 优化器
qq_31225201的博客
03-16 1513
在import torch之后，torch.optim中包含了多种优化器，用于算法的优化，例如更新参数等。 常见的优化器有SGD、Adam、Adagrad，需要参数传进去并优化，后续通过optimizer.step()可以实现每步训练完模型之后，都进行参数的优化更新。 optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=0.01) optimizer = torch.optim.Adagrad(model.parame
深度学习02-神经网络(MLP多层感知器)
liaomin416100569的专栏
05-09 4万+
神经网络是一种基于生物神经系统结构和功能特点而设计的人工神经网络模型，具有很强的自适应性和非线性映射能力。神经网络由多个神经元（或称节点）组成，这些神经元通过连接权重相互连接，构成多层的网络结构。每个神经元接收到来自其它神经元的信号，并将这些信号加权线性组合后通过激活函数进行非线性转换，最终输出给下一层神经元或输出层。学习机器学习后，学习神经网络可以帮助你更深入地理解模式识别和人工智能领域的基础知识。神经网络在很多领域都有广泛的应用，例如计算机视觉、自然语言处理、语音识别等。
keras:model.compile损失函数的用法
09-16
model.compile(optimizer='adam', loss=custom_loss, metrics=['accuracy']) ``` 这个例子中，`custom_loss` 函数计算预测值与目标值之间差的平方的平均值，相当于均方误差。 总之，选择合适的损失函数对于模型的...
keras.layer.input()用法说明
09-16
model.compile(loss='mse', optimizer='adam', metrics=['accuracy']) model.fit(x_train, y_train, epochs=10, batch_size=32) ``` 7. **模型保存和加载**： Keras支持模型的序列化和反序列化，允许保存和加载...
TensorFlow2.0学习使用笔记
小小何先生的学习之旅
09-10 381
安装 官网安装介绍 pip install tensorflow==2.0.0-beta0 # 预览版 使用 基本分类问题   训练数据格式 (60000, 28, 28)；测试数据格式 (10000, 28, 28)；标签为：0到9之间的整数。 import tensorflow as tf from tensorflow import keras import numpy as np...
python +keras实现图像分类（入门级例子讲解）
总裁余（余登武）博客
07-19 1万+
一.项目描述 数据集来源于kaggle猫狗大战数据集。训练集有25000张，猫狗各占一半。测试集12500张。希望计算机可以从这些训练集图片中学习到猫狗的特征，从而使得计算机可以正确的对未曾见过的猫狗图片进行分类。这就是图像分类问题，计算机视觉研究领域之一，计算机通过学习图像本身的特征将不同类别的图像区分开来。 二.评价指标 二分类评价指标 binary_crossentropy：交叉熵 只有yi和ŷ i是相等时，loss才为0，否则loss就是为一个正数。而且，概率相差越大，loss就越大。这个度量概
GoogleNet网络详解与keras实现
海贼王
10-27 1万+
GoogleNet网络详解与keras实现GoogleNet网络详解与keras实现GoogleNet系列网络的概览 Pascal_VOC数据集 第一层目录 第二层目录 第三层目录 InceptionV1模块介绍 Inception的架构 GoogleNet的图片 Keras代码实现 为了搭建Inception网络我们使用了以下策略 整个代码的流程如下 实验结果 实验结果分析 本博客相关引用 本
Keras实现学习率，优化器，损失函数调优
DAICONG’s Blog
08-03 2223
1.定义focalloss import keras from keras import backend as K import tensorflow as tf # Define our custom loss function def focal_loss(y_true, y_pred): gamma = 2.0, alpha = 0.25 pt_1 = tf.where(tf.equal(y_true, 1), y_pred, tf.ones_like(y_pred)) pt_0
Keras损失函数与Metrics学习总结
zhenyu_qiu的博客
06-20 5536
1. 损失函数在Keras中的用法 损失函数（或称目标函数）是模型compile()是需要指定的参数之一。 指定方法有两种： 直接传递损失函数名 model.compile(loss='mean_squared_error', optimizer='sgd') 与optimizers类似，直接传递符号函数。 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
model.compile中metrics的参数accuracy
LLABVIEW的博客
09-29 8649
知乎大佬链接 model.compile(optimizer = tf.keras.optimizers.Adam(0.01), loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), metrics = ['categorical_accuracy']) 1.简述 Index Parameter Label Feature 1 accura
TensorFlow2学习九、实现基础CNN
编程圈子-谢厂节的博客
11-27 2095
一、简介 本文实现基础Convolutional Neural Network (CNN)，数据集使用 CIFAR images。 卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题，它通过一系列方法，将数据量庞大的图像识别问题不断降维，最终使其能够被训练。CNN最早由Yann LeCun提出并应用在手写字体识别上（MINST）。LeCun提出的网络称为LeNet，其网络...
keras model.compile()损失函数
vhhgfg74466的博客
02-27 1万+
keras model.compile(loss='目标函数 ', optimizer='adam', metrics=['accuracy']) 深度学习笔记 目标函数的总结与整理 目标函数，或称损失函数，是网络中的性能函数，也是编译一个模型必须的两个参数之一。由于损失函数种类众多，下面以keras官网手册的为例。 在官方keras.io里面，有如下资料： mean_squared_error...
Keras学习记录之模型编译-训练-评估-预测
pengxiang1998的博客
09-25 1746
Keras的模型编译的语法格式为： 但我们最常用的还是以下这种： 在完成了模型的构建后, 可以使用 来配置学习过程 在训练模型之前，需要配置学习过程，这是通过 compile 方法完成的。它接收三个参数： 如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。 此外还可以根据问题种类进行细分 模型训练 fit调用格式 迭代训练参数格式为： 参数 。 如果模型中的输入层被命名，你也可以传递一个字典
model = keras.Model(inputs=inputs, outputs=outputs) model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])改成三分类类别预测
05-05
如果你要将模型改为三分类预测，则需要进行以下几个步骤： 1. 修改输出层的神经元数量为3，即`outputs = keras.layers.Dense(3, activation="softmax")(x)` 2. 修改损失函数为交叉熵损失函数（categorical_crossentropy），因为这是多分类任务中常用的损失函数，即`model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])` 3. 将标签转换为one-hot编码形式，例如原本的标签是0、1、2，需要转换为[1, 0, 0]、[0, 1, 0]、[0, 0, 1]的形式，可以使用`keras.utils.to_categorical`方法进行转换。 下面是完整的代码示例： ```python import keras # 假设输入数据的维度为(100, 20)，即100个样本，每个样本20个特征 inputs = keras.Input(shape=(20,)) x = keras.layers.Dense(64, activation="relu")(inputs) x = keras.layers.Dense(64, activation="relu")(x) outputs = keras.layers.Dense(3, activation="softmax")(x) # 修改输出层的神经元数量为3 model = keras.Model(inputs=inputs, outputs=outputs) model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"]) # 修改损失函数为交叉熵损失函数 # 假设标签是[0, 1, 2, 1, 0, 2, ...]的形式，需要转换为one-hot编码形式 y_train_onehot = keras.utils.to_categorical(y_train, num_classes=3) model.fit(x_train, y_train_onehot, batch_size=32, epochs=10) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值