数据分析师养成之路--keras学习中metrics和callbacks笔记

最新推荐文章于 2024-09-30 16:56:08 发布

鲁鲁酱1996

最新推荐文章于 2024-09-30 16:56:08 发布

阅读量9.1k

点赞数 6

分类专栏：机器学习之Python语言基础

本文链接：https://blog.youkuaiyun.com/lulujiang1996/article/details/81120082

版权

本文探讨了Keras中compile的metrics参数，包括损失函数和准确率的评估，这些仅用于参考并不影响训练。同时，介绍了fit方法中的callbacks参数，特别是如何自定义RocAuc接口，并提到了早停策略（earlyStopping）和模型训练过程的可视化，以监控模型的收敛性和性能提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

complie中的metrics参数

model.compile(...metrics=['accuracy'])

如上,
metrics中有两个arguments,y_true,和y_pred
它所接收的评估指标为,损失函数,(mse等)和准确率(accuracy等),它们都作用于训练集和验证集(eg: loss:..acc..mae .. val_loss:..val_acc..val_mae..),当然该性能的评估结果不会真正用于训练,只用来显示(作为参考)
(每个batch,输出:loss acc mae (后两个就是设置metrics得到),每个epoch(一轮),输出:loss,acc mae … val_loss…val_acc… val_mae)
metrics中的损失函数和准确率函数可由自己改写:
如下:

def top_3_accuracy(y_true,y_pred):
# 返回的函数即为metrics 中支持的函数
    return metrics.top_k_categorical_accuracy(y_true,y_pred,k=3)

model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=[metrics.mae,top_3_accuracy])

import keras.backend as K
 # 对metrics中的accuracy函数进行重写
def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

fit中的callbacks参数:

from keras.callbacks import ModelCheckpoint

model = Sequential()
model.add(Dense(10, input_dim=784, kernel_initializer='uniform'))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')

'''
saves the model weights after each epoch if the validation loss decreased
'''
checkpointer = ModelCheckpoint(filepath='/tmp/weights.hdf5', verb

最低0.47元/天解锁文章