Keras引數設定說明

定義:loss是目標函式(損失函式)

可用目標函式:

-回歸問題(loss='mse' | 'mae' | 'mape')

-分類問題(loss='binary_crossentropy' | 'categorical_crossentropy')

tip:1.binary_crossentropy作為目標函式用於二分類

2.categorical_crossentropy作為目標函式用於多分類且標籤採用one-hot編碼

**如下:

from keras.utils import to_categorical

定義:optimizer是優化器(優化引數的演算法)

可用的優化器:

1.sgd(隨機梯度下降)

from keras.optimizers import sgd

sgd = sgd(lr=0.01,momentum=0,decay=0,nesterov=false)

lr:學習率 momentum:動量引數

decay:(每次更新)學習率的衰減值

from keras.optimizers import rmsprop

rmsprop = rmsprop(lr=0.001,rho=0.9,epsilon=none,decay=0)

lr:學習率 rho:衰減因子

epsilon:模糊因子 decay:(每次更新)學習率的衰減值

from keras.optimizers import adagrad

adagrad = adagrad(lr=0.01,epsilon=none,decay=0)

lr:學習率 epsilon:模糊因子 decay:(每次更新)學習率的衰減值

from keras.optimizers import adadelta

adadelta = adadelta(lr=0.01,rho=0.95,epsilon=none,decay=0)

lr:學習率 rho:衰減因子

epsilon:模糊因子 decay:(每次更新)學習率的衰減值

from keras.optimizers import adam

adam = adam(lr=0.001,beta_1=0.9,beta_2=0.999,epsilon=none,decay=0,amsgrad=false)

定義:metrics是效能評估函式

可用的效能評估函式:

-分類問題:metrics=['acc']

-回歸問題:metrics=['mae']

(四)keras引數:activation

定義:activation是啟用函式

定義:initializers是對keras層設定初始化權重的方法

常用的方法:

model.add(dense(kernel_initializer='random_uniform',bias_initializer='zeros'))

kernel_initializer(權值向量) = 'zeros'|'ones'|'constant'|'random_uniform'|'random_normal'

參考手冊:

定義:regularizer是正則項(優化過程中層的引數或輸出值新增的懲罰項)

可用的層正則項:

1.kernel_regularizer(施加在權重上)

(1)方式1(預設)

from keras import regularizers

model.add(dense(...,kernel_regularizer=regularizers.l1(l=0.01)))

model.add(dense(...,kernel_regularizer=regularizers.l2(l=0.01))

model.add(dense(...,kernel_regularizer=regularizers.l1_l2(l=0.01)))    

tip:預設正則項為l1和l2,懲罰係數為0.01

(1)方式2(自定義)

from keras import backend as k

def reg(weight_matrix):