0
Dhruv Deshmukh 發布在 Unsplash 上的照片
我們使用損失函數來計算一個給定的算法與它所訓練的數據的匹配程度。損失計算是基于預測值和實際值之間的差異來做的。如果預測值與實際值相差甚遠，損失函數將得到一個非常大的數值。
Keras 是一個創建神經網絡的庫，它是開源的，用 Python 語言編寫。Keras 不支持低級計算，但它運行在諸如 Theano 和 TensorFlow 之類的庫上。
在本教程中，我們將使用 TensorFlow 作為 Keras backend。backend 是一個 Keras 庫，用于執行計算，如張量積、卷積和其他類似的活動。
Karim MANJRA 發布在 Unsplash 上的照片
keras 中常用的損失函數
如上所述，我們可以創建一個我們自己的自定義損失函數；但是在這之前，討論現有的 Keras 損失函數是很好的。下面是兩個最常用的：
均方誤差
均方誤差（MSE）測量誤差平方的平均值。它是預測值和實際值之間的平均平方差。
平均絕對誤差
平均絕對誤差（MAE）是兩個連續變量之間差的度量，通常用 x 和 y 表示。平均絕對誤差是絕對誤差 e=y-x 的平均值，其中 y 是預測值，x 是實際值。
什么是自定義損失函數？
對于不同的損失函數，計算損失的公式有不同的定義。在某些情況下，我們可能需要使用 Keras 沒有提供的損失計算公式。在這種情況下，我們可以考慮定義和使用我們自己的損失函數。這種用戶定義的損失函數稱為自定義損失函數。
Keras 中的自定義損失函數可以以我們想要的方式提高機器學習模型的性能，并且對于更有效地解決特定問題非常有用。例如，假設我們正在構建一個股票投資組合優化模型。在這種情況下，設計一個定制損失函數將有助于實現對在錯誤方向上預測價格變動的巨大懲罰。
我們可以通過編寫一個返回標量并接受兩個參數（即真值和預測值）的函數，在 Keras 中創建一個自定義損失函數。然后，我們將自定義損失函數傳遞給 model.compile 作為參數，就像處理任何其他損失函數一樣。
實現自定義損失函數
現在讓我們為我們的 Keras 模型實現一個自定義的損失函數。首先，我們需要定義我們的 Keras 模型。我們的模型實例名是 keras_model，我們使用 keras 的 sequential（）函數來創建模型。
我們有三個層，都是形狀為 64、64 和 1 的密集層。我們有一個為 1 的輸入形狀，我們使用 ReLU 激活函數（校正線性單位）。
一旦定義了模型，我們就需要定義我們的自定義損失函數。其實現如下所示。我們將實際值和預測值傳遞給這個函數。
注意，我們將實際值和預測值的差除以 10，這是損失函數的自定義部分。在缺省損失函數中，實際值和預測值的差值不除以 10。
記住，這完全取決于你的特定用例需要編寫什么樣的自定義損失函數。在這里我們除以 10，這意味著我們希望在計算過程中降低損失的大小。
在 MSE 的默認情況下，損失的大小將是此自定義實現的 10 倍。因此，當我們的損失值變得非常大并且計算變得非常昂貴時，我們可以使用這種定制的損失函數。
在這里，我們從這個函數返回一個標量自定義損失值。
定義 keras 的自定義損失函數
要進一步使用自定義損失函數，我們需要定義優化器。我們將在這里使用 RMSProp 優化器。RMSprop 代表均方根傳播。RMSprop 優化器類似于具有動量的梯度下降。常用的優化器被命名為 rmsprop、Adam 和 sgd。
我們需要將自定義的損失函數和優化器傳遞給在模型實例上調用的 compile 方法。然后我們打印模型以確保編譯時沒有錯誤。
Keras 模型優化器和編譯模型
現在是時候訓練這個模型，看看它是否正常工作了。為此，我們在模型上使用擬合方法，傳遞自變量 x 和因變量 y 以及 epochs=100。
這里的目的是確保模型訓練沒有任何錯誤，并且隨著 epoch 數的增加，損失逐漸減少。你可以查看下圖中的模型訓練的結果：
epoch=100 的 Keras 模型訓練
結語
在本文中，我們了解了什么是自定義損失函數，以及如何在 Keras 模型中定義一個損失函數。然后，我們使用自定義損失函數編譯了 Keras 模型。最后，我們成功地訓練了模型，實現了自定義損失功能。
via：https://heartbeat.fritz.ai/how-to-create-a-custom-loss-function-in-keras-637bd312e9ab
雷鋒網雷鋒網雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
