大橙子网站建设,新征程启航
为企业提供网站建设、域名注册、服务器等服务
创新互联www.cdcxhl.cn八线动态BGP香港云服务器提供商,新人活动买多久送多久,划算不套路!
创新互联建站长期为上千多家客户提供的网站建设服务,团队从业经验10年,关注不同地域、不同群体,并针对不同对象提供差异化的产品和服务;打造开放共赢平台,与合作伙伴共同营造健康的互联网生态环境。为子洲企业提供专业的成都做网站、网站设计,子洲网站改版等技术服务。拥有10多年丰富建站经验和众多成功案例,为您定制开发。小编给大家分享一下Keras loss函数有什么用,希望大家阅读完这篇文章后大所收获,下面让我们一起去探讨吧!
我就废话不多说了,大家还是直接看代码吧~
''' Created on 2018-4-16 ''' def compile( self, optimizer, #优化器 loss, #损失函数,可以为已经定义好的loss函数名称,也可以为自己写的loss函数 metrics=None, # sample_weight_mode=None, #如果你需要按时间步为样本赋权(2D权矩阵),将该值设为“temporal”。默认为“None”,代表按样本赋权(1D权),和fit中sample_weight在赋值样本权重中配合使用 weighted_metrics=None, target_tensors=None, **kwargs #这里的设定的参数可以和后端交互。 ) 实质调用的是Keras\engine\training.py 中的class Model中的def compile 一般使用model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy']) # keras所有定义好的损失函数loss: # keras\losses.py # 有些loss函数可以使用简称: # mse = MSE = mean_squared_error # mae = MAE = mean_absolute_error # mape = MAPE = mean_absolute_percentage_error # msle = MSLE = mean_squared_logarithmic_error # kld = KLD = kullback_leibler_divergence # cosine = cosine_proximity # 使用到的数学方法: # mean:求均值 # sum:求和 # square:平方 # abs:绝对值 # clip:[裁剪替换](https://blog.csdn.net/qq1483661204/article/details) # epsilon:1e-7 # log:以e为底 # maximum(x,y):x与 y逐位比较取其大者 # reduce_sum(x,axis):沿着某个维度求和 # l2_normalize:l2正则化 # softplus:softplus函数 # # import cntk as C # 1.mean_squared_error: # return K.mean(K.square(y_pred - y_true), axis=-1) # 2.mean_absolute_error: # return K.mean(K.abs(y_pred - y_true), axis=-1) # 3.mean_absolute_percentage_error: # diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),K.epsilon(),None)) # return 100. * K.mean(diff, axis=-1) # 4.mean_squared_logarithmic_error: # first_log = K.log(K.clip(y_pred, K.epsilon(), None) + 1.) # second_log = K.log(K.clip(y_true, K.epsilon(), None) + 1.) # return K.mean(K.square(first_log - second_log), axis=-1) # 5.squared_hinge: # return K.mean(K.square(K.maximum(1. - y_true * y_pred, 0.)), axis=-1) # 6.hinge(SVM损失函数): # return K.mean(K.maximum(1. - y_true * y_pred, 0.), axis=-1) # 7.categorical_hinge: # pos = K.sum(y_true * y_pred, axis=-1) # neg = K.max((1. - y_true) * y_pred, axis=-1) # return K.maximum(0., neg - pos + 1.) # 8.logcosh: # def _logcosh(x): # return x + K.softplus(-2. * x) - K.log(2.) # return K.mean(_logcosh(y_pred - y_true), axis=-1) # 9.categorical_crossentropy: # output /= C.reduce_sum(output, axis=-1) # output = C.clip(output, epsilon(), 1.0 - epsilon()) # return -sum(target * C.log(output), axis=-1) # 10.sparse_categorical_crossentropy: # target = C.one_hot(target, output.shape[-1]) # target = C.reshape(target, output.shape) # return categorical_crossentropy(target, output, from_logits) # 11.binary_crossentropy: # return K.mean(K.binary_crossentropy(y_true, y_pred), axis=-1) # 12.kullback_leibler_divergence: # y_true = K.clip(y_true, K.epsilon(), 1) # y_pred = K.clip(y_pred, K.epsilon(), 1) # return K.sum(y_true * K.log(y_true / y_pred), axis=-1) # 13.poisson: # return K.mean(y_pred - y_true * K.log(y_pred + K.epsilon()), axis=-1) # 14.cosine_proximity: # y_true = K.l2_normalize(y_true, axis=-1) # y_pred = K.l2_normalize(y_pred, axis=-1) # return -K.sum(y_true * y_pred, axis=-1)