损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses

可用的损失目标函数：

mean_squared_error或mse

mean_absolute_error或mae

mean_absolute_percentage_error或mape

mean_squared_logarithmic_error或msle

squared_hinge

hinge

categorical_hinge

binary_crossentropy（亦称作对数损失，logloss）

logcosh

categorical_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，需要将标签转化为形如(nb_samples, nb_classes)的二值序列

sparse_categorical_crossentrop：如上，但接受稀疏标签。注意，使用该函数时仍然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度：np.expand_dims(y,-1)

kullback_leibler_divergence：从预测值概率分布Q到真值概率分布P的信息增益,用以度量两个分布的差异.

poisson：即(predictions - targets * log(predictions))的均值

cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数

补充知识：keras.model.compile() 自定义损失函数注意点

基本用法

model.compile(optimizer=Adam(lr=1e-4), loss='binary_crossentropy', metrics=['accuracy'])

注意

loss后类似'binary_crossentropy'、'mse'等代称

loss为函数名称的时候，不带括号

函数参数必须为(y_true, y_pred, **kwards)的格式

不能直接使用tf.nn.sigmoid_cross_entropy_with_logits等函数，因为其参数格式为(labels=None,

logits=None)，需要指定labels=、logits=这两个参数

以上这篇keras:model.compile损失函数的用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。