Loss函数
定义:
keras.losses.mean_squared_error(y_true, y_pred)
用法很简单,就是计算均方误差平均值,例如
loss_fn = keras.losses.mean_squared_error
a1 = tf.constant([1,1,1,1])
a2 = tf.constant([2,2,2,2])
loss_fn(a1,a2)
<tf.Tensor: id=718367, shape=(), dtype=int32, numpy=1>
Metrics函数
Metrics函数也用于计算误差,但是功能比Loss函数要复杂。
定义
tf.keras.metrics.Mean(
name='mean', dtype=None
)
这个定义过于简单,举例说明
mean_loss([1, 3, 5, 7])
mean_loss([1, 3, 5, 7])
mean_loss([1, 1, 1, 1])
mean_loss([2,2])
输出结果
<tf.Tensor: id=718929, shape=(), dtype=float32, numpy=2.857143>
这个结果等价于
np.mean([1, 3, 5, 7, 1, 3, 5, 7, 1, 1, 1, 1, 2, 2])
这是因为Metrics函数是状态函数,在神经网络训练过程中会持续不断地更新状态,是有记忆的。因为Metrics函数还带有下面几个Methods
reset_states()
Resets all of the metric state variables.
This function is called between epochs/steps, when a metric is evaluated during training.
result()
Computes and returns the metric value tensor.
Result computation is an idempotent operation that simply calculates the metric value using the state variables
update_state(
values, sample_weight=None
)
Accumulates statistics for computing the reduction metric.
另外注意,Loss函数和Metrics函数的调用形式,
loss_fn = keras.losses.mean_squared_error
mean_loss = keras.metrics.Mean()
mean_loss(1)
等价于keras.metrics.Mean()(1)
,而不是keras.metrics.Mean(1)
,这个从keras.metrics.Mean
函数的定义可以看出。
但是必须先令生成一个实例mean_loss=keras.metrics.Mean()
,而不能直接使用keras.metrics.Mean()
本身。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:一文总结Keras的loss函数和metrics函数 - Python技术站