keras 多任务多loss

最新推荐文章于 2023-03-12 23:18:16 发布

花咪

最新推荐文章于 2023-03-12 23:18:16 发布

阅读量4.7k

点赞数 1

分类专栏：机器学习

机器学习专栏收录该内容

31 篇文章

订阅专栏

本文介绍了一个多任务学习网络的设计与实现，该网络包含三个输出层，分别用于分类预测和距离判断。网络使用了Dropout和Lambda层进行特征处理，并通过自定义的损失函数和权重分配来优化模型。在训练过程中，采用SGD优化器并设置了学习率和动量参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

记录一下：

# Three loss functions
category_predict1 = Dense(100, activation='softmax', name='ctg_out_1')(
    Dropout(0.5)(feature1)
)
category_predict2 = Dense(100, activation='softmax', name='ctg_out_2')(
    Dropout(0.5)(feature2)
)
dis = Lambda(eucl_dist, name='square')([feature1, feature2])
judge = Dense(2, activation='softmax', name='bin_out')(dis)
model = Model(inputs=[img1, img2], outputs=[category_predict1, category_predict2, judge])
model.compile(optimizer=SGD(lr=0.0001, momentum=0.9),
              loss={
                  'ctg_out_1': 'categorical_crossentropy',
                  'ctg_out_2': 'categorical_crossentropy',
                  'bin_out': 'categorical_crossentropy'},
              loss_weights={
                  'ctg_out_1': 1.,
                  'ctg_out_2': 1.,
                  'bin_out': 0.5
              },
              metrics=['accuracy'])
--------------------- 
作者：maocaisheng 
来源：优快云 
原文：https://blog.csdn.net/u012938704/article/details/79904173 
版权声明：本文为博主原创文章，转载请附上博文链接！