mean_squared_error / mse 均方誤差，常用的目標函數，公式為((y_pred-y_true)**2).mean()
model = Sequential() model.add(Dense(64, init='uniform', input_dim=10)) model.add(Activation('tanh')) model.add(Activation('softmax')) sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='mean_squared_error', optimizer=sgd)
補充知識：(Keras)――keras 損失函數與評價指標詳解
1、目標函數
(1）mean_squared_error / mse 均方誤差，常用的目標函數，公式為((y_pred-y_true)**2).mean()
(2）mean_absolute_error / mae 絕對值均差，公式為(|y_pred-y_true|).mean()
(3) mean_absolute_percentage_error / mape公式為：(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的區別就是，累加的是（預測值與實際值的差）除以（剔除不介於epsilon和infinite之間的實際值)，然後求均值。
(4)mean_squared_logarithmic_error / msle公式為： (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1)，這個就是加入了log對數，剔除不介於epsilon和infinite之間的預測值與實際值之後，然後取對數，作差，平方，累加求均值。
(5)squared_hinge 公式為：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1減去預測值與實際值乘積的結果與0比相對大的值的平方的累加均值。
(6)hinge 公式為：(max(1-y_truey_pred,0)).mean(axis=-1)，取1減去預測值與實際值乘積的結果與0比相對大的值的的累加均值。
(7)binary_crossentropy: 常說的邏輯迴歸, 就是常用的交叉熵函
(8)categorical_crossentropy: 多分類的邏輯
2、性能評估函數：
(1)binary_accuracy: 對二分類問題,計算在所有預測值上的平均正確率
(2)categorical_accuracy:對多分類問題,計算再所有預測值上的平均正確率
(3)sparse_categorical_accuracy:與categorical_accuracy相同,在對稀疏的目標值預測時有用
(4)top_k_categorical_accracy: 計算top-k正確率,當預測值的前k個值中存在目標類別即認為預測正確
(5)sparse_top_k_categorical_accuracy：與top_k_categorical_accracy作用相同，但適用於稀疏情況
[月球人 ] 淺談keras中的目標函數和優化函數MSE用法已經有238次圍觀