机器学习|model.compile()用法

model.compile()的作用:

• 为经过设计的Model(神经网络模型)设置好：
  • loss损失函数、
  • optimizer优化器、
  • metrics准确性评价函数。
• 并且进行编译；

Optimizers优化器：

• Optimizer 的主要功能是作用在GD(梯度下降)的过程,
  使得Gradient(梯度)更快(快速逼近峰值)更好(不空不漏不乱)的收敛,
  从而尽快找到LossFuction(目标函数)的最小值。
  可以理解为以最优最快方式的寻找最优的“损失”（loss）。
• Optimizer可选参数：
  • SGD: 随机GD(随机梯度下降)
  • RMSprop(动量)
  • Adam(优化的动量, 常用的选择)
  • Adadelta
  • Adagrad
  • Adamax
  • Nadam
  • Ftrl

Loss损失函数

• loss(cost) 描述的是 "真实值" 与 "预测值" 之间的信息差;
• 而损失函数的目的是去计算其中“损失量”的大小，进而得出一个损失/信息熵尽可能小的解，即最优权重参数。
  (如图：随着训练轮次增加，损失值下降的过程)
• loss function(cost function)是将随机事件或其有关随机变量的取值,
  映射为非负实数以表示该随机事件的Cost(成本)或Risk(风险)的函数。
• Model(神经网络模型)以某个指标为线索寻找最优权重参数。

loss可选参数
Probabilistic losses
BinaryCrossentropy class
CategoricalCrossentropy class
SparseCategoricalCrossentropy class
Poisson class
binary_crossentropy function
categorical_crossentropy function
sparse_categorical_crossentropy function
poisson function
KLDivergence class
kl_divergence function

回归损失（Regression losses）
MeanSquaredError class
MeanAbsoluteError class
MeanAbsolutePercentageError class
MeanSquaredLogarithmicError class

CosineSimilarity class
mean_squared_error function
mean_absolute_error function
mean_absolute_percentage_error function
mean_squared_logarithmic_error function
cosine_similarity function
Huber class
huber function
LogCosh class
log_cosh function

最大间隔分类（maximum-margin classification）
Hinge class
SquaredHinge class
CategoricalHinge class
hinge function
squared_hinge function
categorical_hinge function

准确性评价函数（Metrics）

准确性评价函数用在评估模型预测的准确性。在模型训练的过程中，我们会记录模型在训练集、验证集上的预测准确性，之后会据此绘制准确率随着训练次数的变化曲线。

Metrics 可选参数

Accuracy metrics
BinaryAccuracy class
CategoricalAccuracy class
SparseCategoricalAccuracy class
TopKCategoricalAccuracy class
SparseTopKCategoricalAccuracy class
Probabilistic metrics
BinaryCrossentropy class
CategoricalCrossentropy class
SparseCategoricalCrossentropy class
KLDivergence class
Poisson class
Regression metrics

MeanSquaredError class
RootMeanSquaredError class
MeanAbsoluteError class
MeanAbsolutePercentageError class
MeanSquaredLogarithmicError class
CosineSimilarity class
LogCoshError class
Classification metrics based on True/False positives & negatives

AUC class
Precision class
Recall class
TruePositives class
TrueNegatives class
FalsePositives class
FalseNegatives class
PrecisionAtRecall class
SensitivityAtSpecificity class
SpecificityAtSensitivity class
Image segmentation metrics

MeanIoU class
Hinge metrics for "maximum-margin" classification

Hinge class
SquaredHinge class
CategoricalHinge class

发布于 2022-11-14 15:40・IP 属地浙江
深度学习（Deep Learning）
机器学习
Keras