Model 类模型方法
compile
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
用于配置训练模型。
参数
异常
- optimizer: 字符串（优化器名）或者优化器实例。 详见 optimizers。
- loss: 字符串（目标函数名）或目标函数。 详见 losses。 如果模型具有多个输出，则可以通过传递损失函数的字典或列表，在每个输出上使用不同的损失。 模型将最小化的损失值将是所有单个损失的总和。
- metrics: 在训练和测试期间的模型评估标准。 通常你会使用
metrics = ['accuracy']。 要为多输出模型的不同输出指定不同的评估标准， 还可以传递一个字典，如metrics = {'output_a'：'accuracy'}。 - loss_weights: 可选的指定标量系数（Python 浮点数）的列表或字典， 用以衡量损失函数对不同的模型输出的贡献。 模型将最小化的误差值是由
loss_weights系数加权的加权总和误差。 如果是列表，那么它应该是与模型输出相对应的 1:1 映射。 如果是张量，那么应该把输出的名称（字符串）映到标量系数。 - sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为
temporal。 默认为None，为采样权重（1D）。 如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的sample_weight_mode。 - weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
- target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。 相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据）， 您可以通过
target_tensors参数指定它们。 它可以是单个张量（单输出模型），张量列表，或一个映射输出名称到目标张量的字典。 - **kwargs: 当使用 Theano/CNTK 后端时，这些参数被传入
K.function。 当使用 TensorFlow 后端时，这些参数被传递到tf.Session.run。 - ValueError: 如果
optimizer,loss,metrics或sample_weight_mode这些参数不合法。
后端函数：categorical_crossentropy
keras.backend.categorical_crossentropy(target, output, from_logits=False)
输出张量与目标张量之间的分类交叉熵。
参数
- target: 与
output尺寸相同的张量。 - output: 由 softmax 产生的张量 (除非
from_logits为 True， 在这种情况下output应该是对数形式)。 - from_logits: 布尔值，
output是 softmax 的结果， 还是对数形式的张量。
返回
输出张量。