Keras筆記 損失函式的使用

keras中文文件：

損失函式（或稱目標函式、優化評分函式）是編譯模型時所需的兩個引數之一：

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

from keras import losses

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

實際的優化目標是所有資料點的輸出陣列的平均值。

mean_squared_error

mean_squared_error(y_true, y_pred)

mean_absolute_error(y_true, y_pred)

mean_absolute_percentage_error(y_true, y_pred)

mean_squared_logarithmic_error(y_true, y_pred)

squared_hinge(y_true, y_pred)

hinge(y_true, y_pred)

categorical_hinge(y_true, y_pred)

logcosh(y_true, y_pred)

返回

每個樣本都有乙個標量損失的張量。

categorical_crossentropy

categorical_crossentropy(y_true, y_pred)

from keras.utils.np_utils import to_categorical

categorical_labels = to_categorical(int_labels, num_classes=none)

sparse_categorical_crossentropy(y_true, y_pred)

binary_crossentropy(y_true, y_pred)

kullback_leibler_divergence(y_true, y_pred)

poisson(y_true, y_pred)

cosine_proximity(y_true, y_pred)

Keras加權損失函式

ref keras提供的損失函式binary crossentropy和categorical crossentropy沒有加權，如果想實現樣本的不同權重功能有一種策略是對損失函式加權處理。二分加權交叉熵損失 class weightedbinarycrossentropy object def i...

pytorch和keras損失函式區別

學習pytorch首先是要裝pytorch啦！但是這是乙個磨人的小妖精，傳統的用pip可是裝不上的。為此，可以參考我的另一篇部落格，這可是我研究一天的結晶！這篇筆記是 關於機器學習損失函式的，根據不同的應用場景，需要選擇不同的損失函式。線性回歸因為 的數值有具體的意義，所以損失函式一般使用的均方誤差...

keras中損失函式簡要總結

from keras.losses import 以下是正文。方差。差點忘了方差是什麼，丟死人。注重單個巨大偏差。差的絕對值的平均數。平均對待每個偏差。誤差百分數 非負 的平均數。比如50和150對100的誤差百分數都是50。自己感受。對數的方差。會將值先 1再取對數 奇怪。log cosh err...