Keras学习笔记5——keras.losses

损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一：

from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='sgd')
# or
model.compile(loss='mean_squared_error', optimizer='sgd')

可用损失函数

• mean_squared_error
• mean_absolute_error
• mean_absolute_percentage_error
• mean_squared_logarithmic_error
• squared_hinge
• hinge
• categorical_hinge
• sparse_categorical_crossentropy
• binary_crossentropy
• kullback_leibler_divergence
• poisson
• cosine_proximity
• logcosh
  logcosh(y_true, y_pred)
  预测误差的双曲余弦的对数。
  对于小的 x，log(cosh(x)) 近似等于 (x ** 2) / 2。对于大的 x，近似于 abs(x) - log(2)。这表示 ‘logcosh’ 与均方误差大致相同，但是不会受到偶尔疯狂的错误预测的强烈影响。
  参数
  y_true: 目标真实值的张量。
  y_pred: 目标预测值的张量。
  返回
  每个样本都有一个标量损失的张量。
• categorical_crossentropy
  当使用 categorical_crossentropy 损失时，你的目标值应该是分类格式 (即，如果你有 10 个类，每个样本的目标值应该是一个 10 维的向量，这个向量除了表示类别的那个索引为 1，其他均为 0)。 为了将 整数目标值 转换为 分类目标值，你可以使用 Keras 实用函数 to_categorical：

from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=None)