本文介绍了Keras框架中自定义损失函数的重要性，特别是针对细粒度分类问题。通过中心损失（center loss）来解决传统softmax交叉熵过于自信的分类问题，以达到更好的聚类效果。Keras模型可以使用自定义的损失函数，例如通过增加惩罚项来缩小同一类之间的距离。此外，文章还讨论了如何在Keras中实现中心损失，利用Embedding层存储聚类中心，使模型在训练过程中保持良好的分类性能。
Keras是一个搭积木式的深度学习框架，用它可以很方便且直观地搭建一些常见的深度学习模型。在tensorflow出来之前，Keras就已经几乎是当时最火的深度学习框架，以theano为后端，而如今Keras已经同时支持四种后端：theano、tensorflow、cntk、mxnet（前三种官方支持，mxnet还没整合到官方中），由此可见Keras的魅力。
Keras是很方便，然而这种方便不是没有代价的，最为人诟病之一的缺点就是灵活性较低，难以搭建一些复杂的模型。的确，Keras确实不是很适合搭建复杂的模型，但并非没有可能，而是搭建太复杂的模型所用的代码量，跟直接用tensorflow写也差不了多少。但不管怎么说，Keras其友好、方便的特性（比如那可爱的训练进度条），使得我们总有使用它的场景。这样，如何更灵活地定制Keras模型，就成为一个值得研究的课题了。这篇文章我们来关心自定义loss。
订阅专栏 解锁全文
扫一扫
4468
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
