本文介绍了Tensorflow 2.*中用于网络训练配置的关键函数tf.keras.Model.compile()，包括optimizer（优化器）、loss（损失函数）、metrics（监控指标）和loss_weights（损失权重）。optimizer常选Adam、RMSprop、SGD等，loss涉及BinaryCrossentropy、CategoricalCrossentropy等，metrics涵盖AUC、Accuracy等。loss_weights在多输出模型中用于平衡不同输出的损失贡献，可以使用字典或列表方式分配权重。
在搭建完网络以后，就需要配置模型训练的函数，比如损失函数、误差方向传播优化算法等。Tensorflow 2.* 中compile编译函数便集成了此项功能，比如对于一个分类问题，常见的形式如下：
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
文章目录
tf.keras.Model.compile()
optimizer 优化器
基于训练数据和损失函数来更新网络的机制，常用的有Adam， RMSprop、SGD等
loss 损失函数
网络衡量在训练数据上的性能，即网络如何朝着正确的方向前进。
BinaryCrossentropy, CategoricalCrossentropy,KLDivergence等
metrics 监控指标
训练和测试过程中需要监控的指标。常用的有AUC、Accuracy、BinaryAccuracy、BinaryCrossentropy, CategoricalCrossentropy, KLDivergence、Precision等等
loss和metrics关系
- loss和metrics都是用来评价训练过程中模型的预测性能
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
