浅谈keras中的目标函数和优化函数MSE用法

mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()

model = sequential()  
model.add(dense(64, init='uniform', input_dim=10))  
model.add(activation('tanh'))  
model.add(activation('softmax'))  
   
sgd = sgd(lr=0.1, decay=1e-6, momentum=0.9, nesterov=true)  
model.compile(loss='mean_squared_error', optimizer=sgd) 

补充知识：(keras)——keras 损失函数与评价指标详解

1、目标函数

(1）mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()

(2）mean_absolute_error / mae 绝对值均差，公式为(|y_pred-y_true|).mean()

(3) mean_absolute_percentage_error / mape公式为：(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的区别就是，累加的是（预测值与实际值的差）除以（剔除不介于epsilon和infinite之间的实际值)，然后求均值。

(4)mean_squared_logarithmic_error / msle公式为： (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1)，这个就是加入了log对数，剔除不介于epsilon和infinite之间的预测值与实际值之后，然后取对数，作差，平方，累加求均值。

(5)squared_hinge 公式为：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的平方的累加均值。

(6)hinge 公式为：(max(1-y_truey_pred,0)).mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的的累加均值。

(7)binary_crossentropy: 常说的逻辑回归, 就是常用的交叉熵函

(8)categorical_crossentropy: 多分类的逻辑

2、性能评估函数：

(1)binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率

(2)categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率

(3)sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用

(4)top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确

(5)sparse_top_k_categorical_accuracy：与top_k_categorical_accracy作用相同，但适用于稀疏情况

以上这篇浅谈keras中的目标函数和优化函数mse用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。