本文介绍了在Python Keras中，`model.compile`的损失函数(loss)参数的使用，包括预定义的损失函数如mse、mae、categorical_crossentropy等，以及如何自定义损失函数。重点强调了损失函数的格式要求，如参数格式(y_true, y_pred, **kwargs)，并提醒不能直接使用需要指定labels和logits参数的函数。"
115215918,9160833,去除matplotlib保存图的白色边框,"['python', '数据可视化', 'matplotlib']
损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses
可用的损失目标函数：
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
categorical_hinge
binary_crossentropy（亦称作对数损失，logloss）
logcosh
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
补充知识：keras.model.compile() 自定义损失函数注意点
基本用法
model.compile(
最低0.47元/天 解锁文章
1210
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
