Model 類模型方法
compile
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
用於配置訓練模型。
參數
異常
- optimizer: 字符串（優化器名）或者優化器實例。 詳見 optimizers。
- loss: 字符串（目標函數名）或目標函數。 詳見 losses。 如果模型具有多個輸出，則可以通過傳遞損失函數的字典或列表，在每個輸出上使用不同的損失。 模型將最小化的損失值將是所有單個損失的總和。
- metrics: 在訓練和測試期間的模型評估標準。 通常你會使用
metrics = ['accuracy']。 要爲多輸出模型的不同輸出指定不同的評估標準， 還可以傳遞一個字典，如metrics = {'output_a'：'accuracy'}。 - loss_weights: 可選的指定標量係數（Python 浮點數）的列表或字典， 用以衡量損失函數對不同的模型輸出的貢獻。 模型將最小化的誤差值是由
loss_weights係數加權的加權總和誤差。 如果是列表，那麼它應該是與模型輸出相對應的 1:1 映射。 如果是張量，那麼應該把輸出的名稱（字符串）映到標量係數。 - sample_weight_mode: 如果你需要執行按時間步採樣權重（2D 權重），請將其設置爲
temporal。 默認爲None，爲採樣權重（1D）。 如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的sample_weight_mode。 - weighted_metrics: 在訓練和測試期間，由 sample_weight 或 class_weight 評估和加權的度量標準列表。
- target_tensors: 默認情況下，Keras 將爲模型的目標創建一個佔位符，在訓練過程中將使用目標數據。 相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數據）， 您可以通過
target_tensors參數指定它們。 它可以是單個張量（單輸出模型），張量列表，或一個映射輸出名稱到目標張量的字典。 - **kwargs: 當使用 Theano/CNTK 後端時，這些參數被傳入
K.function。 當使用 TensorFlow 後端時，這些參數被傳遞到tf.Session.run。 - ValueError: 如果
optimizer,loss,metrics或sample_weight_mode這些參數不合法。
後端函數：categorical_crossentropy
keras.backend.categorical_crossentropy(target, output, from_logits=False)
輸出張量與目標張量之間的分類交叉熵。
參數
- target: 與
output尺寸相同的張量。 - output: 由 softmax 產生的張量 (除非
from_logits爲 True， 在這種情況下output應該是對數形式)。 - from_logits: 布爾值，
output是 softmax 的結果， 還是對數形式的張量。
返回
輸出張量。