1. compile參數介紹

model.compile(optimizer, loss = None, metrics = None, loss_weights = None, sample_weight_mode = None, weighted_metrics = None, target_tensors = None )

• optimizer：優化器，用于控制梯度裁剪。必選項
• loss：損失函數（或稱目標函數、優化評分函數）。必選項
• metrics：評價函數用于評估當前訓練模型的性能。當模型編譯后（compile），評價函數應該作為 metrics 的參數來輸入。評價函數和損失函數相似，只不過評價函數的結果不會用于訓練過程中。

在使用過程中常用的就是這三個參數。

1. optimizer

optimizer中文文檔

• 可以先實例化一個優化器對象，然后將它傳入 model.compile()；from keras import optimizers model = Sequential() model.add(Dense(64, kernel_initializer='uniform', input_shape=(10,))) model.add(Activation('softmax')) sgd = optimizers.SGD(lr=0.01, clipvalue=0.5) model.compile(optimizer=sgd,loss='mse')
• 可以通過名稱來調用優化器。但是使用優化器的默認參數。# 傳入優化器名稱: 默認參數將被采用 model.compile(loss='mean_squared_error', optimizer='sgd')

1.1 optimizer可用參數-SGD

SGD：$隨機梯度下降優化器$。包含擴展功能的支持：

• 學習率learning rate (lr)
• 動量（momentum）優化,
• 學習率衰減（每次參數更新后）
• Nestrov 動量 (NAG) 優化。

• lr: float >= 0. 學習率。
• momentum : float>= 0. 參數，用于加速 SGD 在相關方向上前進，并抑制震蕩。
• decay: float >= 0. 每次參數更新后學習率衰減值。
• nesterov: boolean. 是否使用 Nesterov 動量。

例如：
python keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)

1.2 optimizer可用參數-RMSprop

• RMSprop：RMSProp 優化器是AdaGrad算法的一種改進。$將梯度除以最近幅度的移動平均值$。
  • lr: float >= 0. 學習率。
  • rho: float >= 0. RMSProp梯度平方的移動均值的衰減率.
  • epsilon: float >= 0. 模糊因子. 若為 None, 默認為 K.epsilon()。
  • decay: float >= 0. 每次參數更新后學習率衰減值。

  例如： keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=None, decay=0.0)

• 這個優化器通常是訓練循環神經網絡$RNN的不錯選擇$。參考文獻

1.3 optimizer可用參數 - Adagrad

• Adagrad 是一種具有特定參數學習率的優化器，$根據參數在訓練期間的更新頻率進行自適應調整$。參數接收的更新越多，更新越小。

  • lr: float >= 0. 學習率。
  • epsilon: float >= 0. 模糊因子.若為 None, 默認為 K.epsilon()。
  • decay: float >= 0. 每次參數更新后學習率衰減值。

  例如：keras.optimizers.Adagrad(lr=0.01, epsilon=None, decay=0.0)

• 建議使用優化器的默認參數。參考文獻

1.4 optimizer可用參數 - Adadelta

• Adadelta 是 Adagrad 的一個具有更強魯棒性的的擴展版本，它是$根據漸變更新的移動窗口調整學習速率$。
  • lr: float >= 0. 學習率，建議保留默認值。
  • rho: float >= 0. Adadelta梯度平方移動均值的衰減率。
  • epsilon: float >= 0. 模糊因子. 若為 None, 默認為 K.epsilon()。
  • decay: float >= 0. 每次參數更新后學習率衰減值。
• 詳細閱讀：參考文獻

1.5 optimizer可用參數 - Adam/Adamax/Nadam

Adam參數

• lr: float >= 0. 學習率。
• beta_1: float, 0 < beta < 1. 通常接近于 1。
• beta_2: float, 0 < beta < 1. 通常接近于 1。
• epsilon: float >= 0. 模糊因子. 若為 None, 默認為 K.epsilon()。
• decay: float >= 0. 每次參數更新后學習率衰減值。
• amsgrad: boolean. 是否應用此算法的 AMSGrad 變種，來自論文 “On the Convergence of Adam and Beyond”。

例如：其默認為：
python keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False)
參考：Adam - A Method for Stochastic Optimization

Adamax參數

• Adamax 優化器，來自 Adam 論文的第七小節.它是Adam算法基于無窮范數（infinity norm）的變種。 默認參數遵循論文中提供的值。
• 參數

• lr: float >= 0. 學習率。
• beta_1/beta_2: floats, 0 < beta < 1. 通常接近于 1。
• epsilon: float >= 0. 模糊因子. 若為 None, 默認為 K.epsilon()。
• decay: float >= 0. 每次參數更新后學習率衰減值。

例如：其默認為：
keras.optimizers.Adamax(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.0)

Nadam

• Nesterov 版本 Adam 優化器。
• 正像 Adam 本質上是 RMSProp 與動量 momentum 的結合， Nadam 是采用 Nesterov momentum 版本的 Adam 優化器。
• 參數

• lr: float >= 0. 學習率。
• beta_1/beta_2: floats, 0 < beta < 1. 通常接近于 1。
• epsilon: float >= 0. 模糊因子. 若為 None, 默認為 K.epsilon()。

例如：其默認為：
keras.optimizers.Nadam(lr=0.002, beta_1=0.9, beta_2=0.999, epsilon=None, schedule_decay=0.004)

2. loss

損失函數的目的是$計算模型在訓練期間應尋求最小化的數量$。loss可用參數

簡寫：

mse = MSE = mean_squared_error # 均方誤差 mae = MAE = mean_absolute_error # 平均絕對誤差 mape = MAPE = mean_absolute_percentage_error # 平均絕對百分比誤差 msle = MSLE = mean_squared_logarithmic_error # 均方對數誤差 kld = KLD = kullback_leibler_divergence # cosine = cosine_proximity # 余弦值

2.1 mean_squared_error：均方誤差

def mean_squared_error(y_true, y_pred):return K.mean(K.square(y_pred - y_true), axis=-1)

2.2 mean_absolute_error：平均絕對誤差

def mean_absolute_error(y_true, y_pred):return K.mean(K.abs(y_pred - y_true), axis=-1)

2.3 mean_absolute_percentage_error：平均絕對百分比誤差

def mean_absolute_percentage_error(y_true, y_pred):diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),K.epsilon(),None))return 100. * K.mean(diff, axis=-1)

2.4 mean_squared_logarithmic_error：均方對數誤差

def mean_squared_logarithmic_error(y_true, y_pred):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)

2.5 squared_hinge

def squared_hinge(y_true, y_pred):return K.mean(K.square(K.maximum(1. - y_true * y_pred, 0.)), axis=-1)

2.6 hinge

def hinge(y_true, y_pred):return K.mean(K.maximum(1. - y_true * y_pred, 0.), axis=-1)

2.7 categorical_hinge

def categorical_hinge(y_true, y_pred):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.)

2.8 logcosh

logcosh：預測誤差的雙曲余弦的對數。

def logcosh(y_true, y_pred):'''Logarithm of the hyperbolic cosine of the prediction error.`log(cosh(x))` is approximately equal to `(x ** 2) / 2` for small `x` andto `abs(x) - log(2)` for large `x`. This means that 'logcosh' works mostlylike the mean squared error, but will not be so strongly affected by theoccasional wildly incorrect prediction.# Argumentsy_true: tensor of true targets.y_pred: tensor of predicted targets.# ReturnsTensor with one scalar loss entry per sample.'''def _logcosh(x):return x + K.softplus(-2. * x) - K.log(2.)return K.mean(_logcosh(y_pred - y_true), axis=-1)

2.9 categorical_crossentropy

categorical_crossentropy：分類交叉熵。

def categorical_crossentropy(y_true, y_pred):return K.categorical_crossentropy(y_true, y_pred)

2.10 sparse_categorical_crossentropy

sparse_categorical_crossentropy：稀疏的分類交叉熵。

def sparse_categorical_crossentropy(y_true, y_pred):return K.sparse_categorical_crossentropy(y_true, y_pred)

2.11 binary_crossentropy

binary_crossentropy：二元交叉熵。

def binary_crossentropy(y_true, y_pred):return K.mean(K.binary_crossentropy(y_true, y_pred), axis=-1)

2.12 kullback_leibler_divergence

def kullback_leibler_divergence(y_true, y_pred):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)

2.13 poisson

poisson：泊松。

def poisson(y_true, y_pred):return K.mean(y_pred - y_true * K.log(y_pred + K.epsilon()), axis=-1)

2.14 cosine_proximity

cosine_proximity：余弦值。

def cosine_proximity(y_true, y_pred):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)

3. Matrics

評價函數用于$評估當前訓練模型的性能$。當模型編譯后（compile），評價函數應該作為 metrics的參數來輸入。

評價函數和 損失函數 相似，只不過$評價函數的結果不會用于訓練過程中$。我們可以傳遞已有的評價函數名稱，或者傳遞一個自定義的 Theano/TensorFlow 函數來使用。可用Matrics

3.1 keras內置的評價函數

• binary_accuracybinary_accuracy(y_true, y_pred)
• categorical_accuracycategorical_accuracy(y_true, y_pred)
• sparse_categorical_accuracysparse_categorical_accuracy(y_true, y_pred)
• top_k_categorical_accuracytop_k_categorical_accuracy(y_true, y_pred, k=5)
• sparse_top_k_categorical_accuracysparse_top_k_categorical_accuracy(y_true, y_pred, k=5)

3.2 自定義評價函數

自定義評價函數應該在編譯的時候（compile）傳遞進去。該函數需要以 (y_true, y_pred) 作為輸入參數，并返回一個張量作為輸出結果。

import keras.backend as Kdef mean_pred(y_true, y_pred):return K.mean(y_pred)model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy', mean_pred])

參考：

• keras_7_評估標準 Metrics
• compile參數詳解

總結

以上是生活随笔為你收集整理的keras中model.compile()基本用法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。