損失函式【也稱目標函式或優化評分函式】是編譯模型時所需的兩個引數之一。
model.compile(loss='mean_squared_error', optimizer='sgd')
或from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='sgd')
可以傳遞乙個現有的損失函式名或者乙個tensorflow/theano符號函式。該符號函式為每個資料點返回乙個標量，有一下兩個引數：
1.y_true
真實標籤，tensorflow/theano張量。
2.y_pred
**值，tensorflow/theano張量，其shape與y_true相同。
實際的優化目標是所有資料點的輸出陣列的平均值。
計算公式：
原始碼：提到mae就不能不說顯著性目標檢測，所謂顯著性目標，舉個例子來說，當我們觀察一張時，我們會首先關注那些顏色鮮明，奪人眼球的內容。就像我們看變形金剛時會首先看擎天柱一樣，這是絕對的c位。所以我們把變形金剛中的擎天柱定義為顯著性目標。
在顯著性目標檢測中的評價指標計算中，常用的檢測演算法就有平均絕對誤差，其計算公式如下：
原始碼：與平均絕對誤差類似，平均絕對百分比誤差**結果與真實值之間的偏差比例。計算公式如下：
原始碼：
備註：1.clip
逐元素，將超出指定範圍的數強制變為邊界數。
2.epsilon
固定引數，預設值為1*e-7。
在計算均方誤差之前先對資料取對數，再計算。
計算公式：
原始碼：
計算公式：
原始碼：計算公式：
原始碼：原始碼：
**誤差的雙曲余弦的對數。計算結果與均方誤差大致相同，但不會受到偶爾瘋狂的錯誤**的強烈影響。
原始碼：
當使用categorical_crossentropy損失時，目標值應該是分類格式【即假如是10類，那麼每個樣本的目標值應該是乙個10維的向量，這個向量除了表示類別的那個索引為1，其它均為0】。為了將整數目標值轉換為分類目標值，可以使用keras實用函式to_categorical。
from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=none)
原始碼：原始碼：
原始碼：原始碼：
計算公式：
原始碼：計算公式：
原始碼：原始碼：
在每個批處理元素上執行ctc損失演算法。
引數：1.y_true
包含真實值標籤的張量。型別(samples, max_string_length).
2.y_pred
包含**值或softmax輸出的張量。型別(samples, time_steps, num_categories)。
3.input_length
張量(samples, 1)，包含y_pred中每個批處理項的序列長度。
4.label_length
張量(samples, 1)， 包含y_true中每個批處理項的序列長度。
返回shape為(samples, 1)的張量，包含每乙個元素的ctc損失。
深度學習的框架之keras
老早之前寫過一些深度學習框架的常識。但是太不具體了。這次出乙個系列的，今天就單獨寫keras的相關知識。張量概念介紹 張量概念是向量概念和矩陣概念的推廣,標量是零階張量,向量是一階張量,矩陣 方陣 是二階張量,而三階張量則好比立體矩陣,兩個張量的點積就是將a張量的最後乙個軸中的所有元素，與b張量中倒...
深度學習 Keras 層及損失函式
python深度學習 第三章神經網路入門部分內容，有關神經網路的層和損失函式選取。一 層的選取 1.2d張量，選取全連線層，也叫密集連線層，keras中對應dense，例如像神經網路中加入乙個512輸入，32輸出的dense層 network.add layers.dense 32,input sh...
深度學習 Keras 層及損失函式
python深度學習 第三章神經網路入門部分內容，有關神經網路的層和損失函式選取。一 層的選取 1.2d張量，選取全連線層，也叫密集連線層，keras中對應dense，例如像神經網路中加入乙個512輸入，32輸出的dense層 network.add layers.dense 32,input sh...