Keras学习笔记03——常用重要模块
一、目标函数objectives
编译模型必选两个参数之一
可以通过传递预定义目标函数名字指定目标函数，也可以传递一个Theano/TensroFlow的符号函数作为目标函数，该函数对每个数据点应该只返回一个标量值，并以下列两个参数为参数：
- y_true：真实的数据标签，Theano/TensorFlow张量
- y_pred：预测值，与y_true相同shape的Theano/TensorFlow张量
真实的优化目标函数是在各个数据点得到的损失函数值之和的均值。
可用的目标函数：
- 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
- binary_crossentropy（亦称作对数损失，logloss）
- 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
二、优化器optimizers
编译模型必选两个参数之一
可以在调用model.compile()之前初始化一个优化器对象，然后传入该函数（如上所示），也可以在调用model.compile()时传递一个预定义优化器名。在后者情形下，优化器的参数将使用默认值。
所有优化器都可用的两个参数（用于对梯度进行裁剪）：
- clipnorm
# all parameter gradients will be clipped to
# a maximum norm of 1.
sgd = SGD(lr=0.01, clipnorm=1.)- clipvalue
# all parameter gradients will be clipped to
# a maximum value of 0.5 and
# a minimum value of -0.5.
sgd = SGD(lr=0.01, clipvalue=0.5)常用的优化算法有：
1. SGD
随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量。
keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)参数：
- lr：大于0的浮点数，学习率
- momentum：大于0的浮点数，动量参数
- decay：大于0的浮点数，每次更新后的学习率衰减值
- nesterov：布尔值，确定是否使用Nesterov动量
2. RMSprop
除学习率可调整外，建议保持优化器的其他默认参数不变，该优化器通常是面对递归神经网络时的一个良好选择。
keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-06)参数：
- lr：大于0的浮点数，学习率
- rho：大于0的浮点数
- epsilon：大于0的小浮点数，防止除0错误
3. Adagrad
建议保持优化器的默认参数不变。
keras.optimizers.Adagrad(lr=0.01, epsilon=1e-06)参数：
- lr：大于0的浮点数，学习率
- epsilon：大于0的小浮点数，防止除0错误
4. Adadelta
建议保持优化器的默认参数不变。
keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)参数：
- lr：大于0的浮点数，学习率
- rho：大于0的浮点数
- epsilon：大于0的小浮点数，防止除0错误
参考文献
Adadelta - an adaptive learning rate method
5.Adam
该优化器的默认值来源于参考文献。
keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)参数：
- lr：大于0的浮点数，学习率
- beta_1/beta_2：浮点数，接近1
- epsilon：大于0的小浮点数，防止除0错误
参考文献
Adam - A Method for Stochastic Optimization
三、 激活函数Activations
激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递activation参数实现。
可以通过传递一个逐元素运算的Theano/TensorFlow函数来作为激活函数：
from keras import backend as K
def tanh(x):
return K.tanh(x)
model.add(Dense(64, activation=tanh))
model.add(Activation(tanh)预定义的激活函数有：
- softmax：对输入数据的最后一维进行softmax，输入数据应形如(nb_samples, nb_timesteps, nb_dims)或(nb_samples,nb_dims)
- softplus
- softsign
- relu
- tanh
- sigmoid
- hard_sigmoid
- linear