零基础机器学习做游戏辅助第四课--手写数字识别(二)

我们上节课已经把模型搭建好了,但是这个模型让他以什么方式去训练,就是我们这节课要讲的内容。

一、配置学习过程

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
)

参数:

optimizer:优化器,用于控制梯度裁剪。必选项

loss:损失函数(或称目标函数、优化评分函数)。必选项

metrics:评价函数用于评估当前训练模型的性能。当模型编译后(compile),评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似,只不过评价函数的结果不会用于训练过程中。

二、认识优化器

优化器(optimizer)是编译Keras模型的所需的两个参数之一。你可以先实例化一个优化器对象,然后将它传入model.compile(),或者直接通过名称来调用优化器,在后一种情况下,将使用优化器的默认参数。

优化器作用:求出让损失函数最小化的参数。

常见的优化器有:SGD、RMSprop

你可能感兴趣的:(零基础机器学习做游戏辅助,神经网络,游戏辅助,神经网络做游戏辅助,手写字识别)