在keras中，centerloss实战lambda

推荐文章：在Keras使用center-losss损失函数\Keras自定义损失函数
参考地址：https://blog.csdn.net/DumpDoctorWang/article/details/84204476

代码可以直接拿来用，由于实验室服务器tensorflow版本比较旧，报错：TypeError: softmax() got an unexpected keyword argument ‘axis’。
解决方法有多个，都可以尝试下。
方法一：出现了所以需要改tensorflow_backend的源码，tf.nn.softmax()里面的参数。
参考网址：https://www.jianshu.com/p/a1b30ec40b1d?utm_source=oschina-app 写的很详细，可以借鉴
方法二：也有提议给keras降级，尝试过问题更多，很多函数也不能调用。。-_-||，可能是我的系统问题多吧。。
参考网址：https://blog.csdn.net/qq_27871973/article/details/80958537
方法三：就是把第一个网址提供的源码，softmax函数中的axis去掉，能通过，但是具体有什么影响未尝试，建议尝试。
方法四：根本措施，就是升级tf以及keras，包治百病

切入正题，上述问题中，主要调节的就是lambda的系数，建议从0.1开始，以我多次训练结果的（100~200分类的结果来看），不同系数导致的结果是最大的能上去的训练正确率是成正态分布的。（下面的百分数，均代表val_acc。）

比如100类的分类结果是最优结果是0.2，第一次0.2卡在了90%，可以到95%以上的验证准确率，0.1是卡在75%知道训练结束，0.3是65%，0.25是67%，0.15是%77，0.23很低，可能是服务器卡了吧。。。0.18是68%。。所以最终选择了0.2，改成40epoch能到95%，多次训练结果基本都在95~98%。训练中每次损失函数值在4.6附近会震荡多个epoch，然后就像打通任督二脉一样就开始慢慢收敛。比较懵逼。。。

200类则是0.1，（0.2是72%就一直上不去了），可能跟类别总数存在某种关系，还需要进一步实验。

训练提取的特征，比较稀疏（与用此损失函数作比较），截取一部分显示。

大概的实验结论：在结合使用这两种损失函数时，可以认为softmax交叉熵负责增加inter-class（类间）距离，center-loss负责减小intra-class（类内）距离，这样学习到的特征判别度会更高。（不过需要进一步实验）

注意一点，调用训练后的模型会报错，主要是：自定义评估函数和损失函数loss训练模型后加载模型出现ValueError: Unknown metric function:loss
解决方法是：load_model(file_path,custom_objects={‘loss’: cl.loss, ‘accuracy’:cl.categorical_accuracy})
参考网址：https://blog.csdn.net/aojue1109/article/details/88058965

欢迎私信以及留言，有问题可以积极讨论。。。