获取keras编译后的模型损失函数
Keras是一个开源的深度学习框架，它提供了一个高级API，可以方便地构建和训练神经网络模型。在Keras中，编译模型是指配置模型的训练过程，其中包括选择优化器、损失函数和评估指标等。
损失函数（Loss Function）是用来衡量模型预测结果与真实标签之间的差异程度的函数。在深度学习中，我们的目标是通过调整模型的参数使得损失函数的值最小化，从而提高模型的准确性和性能。
常见的损失函数包括：
- 均方误差（Mean Squared Error，MSE）：计算预测值与真实值之间的平均平方差，适用于回归问题。
- 交叉熵损失（Cross Entropy Loss）：包括二分类交叉熵损失（Binary Cross Entropy Loss）和多分类交叉熵损失（Categorical Cross Entropy Loss）。二分类交叉熵损失适用于二分类问题，多分类交叉熵损失适用于多分类问题。
- 对数损失（Log Loss）：常用于二分类问题，衡量模型预测的概率与真实标签之间的差异。
- KL散度（Kullback-Leibler Divergence）：用于衡量两个概率分布之间的差异，常用于生成模型中。
- Hinge Loss：适用于支持向量机（SVM）等分类算法，用于最大化分类间隔。
不同的损失函数适用于不同的问题和模型类型。在Keras中，可以通过在编译模型时指定loss参数来选择使用的损失函数。例如，使用均方误差损失函数的编译模型代码如下：
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
# 添加模型层
model.compile(optimizer='adam', loss='mean_squared_error')在上述代码中，我们使用了均方误差损失函数（mean_squared_error）作为模型的损失函数。
腾讯云提供了一系列与深度学习相关的产品和服务，例如腾讯云AI Lab、腾讯云机器学习平台等，可以帮助用户进行模型训练和部署。具体产品和服务的介绍和链接地址可以参考腾讯云官方网站的相关页面。
相关·内容
我知道如何定义和利用可以定义为传递给Keras层的自定义函数(例如，损失函数)。然而，我不明白这个函数是如何从模型中考虑其参数的。
例如：
下面是自定义损失函数的定义：
def kl_loss(y_true, y_pred):
kl_loss = -0.5 * K.sum(1 + log_var - K.square(mean_mu) - K.exp(log_var), axis = 1)
return kl_loss
def r_loss(y_true, y_pred):
return K.mean(K.square(y_true - y_pred), axis =
浏览 0提问于2020-07-05得票数 0
是否有一种方法可以在没有运行评估或适合的情况下，获得模型的损失，以及它当前的权重？
model = keras.Sequential([
keras.layers.Input(400),
keras.layers.Dense(25, activation=tf.nn.sigmoid, kernel_regularizer=regularizers.l2(lambd)),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
浏览 2提问于2019-09-17得票数 3
回答已采纳
1回答
用于条件计算的中间层损失计算
、、、、
我想创建一个基于MLP的自定义CNN模型(多尺度)，由几个并行的小网络(胶囊)组成。这些简单的小网络被实例化为每个卷积尺度(即3x3，5x5 )的自定义图层(conv2d->Flatten->Dense)。这些胶囊网络的目的是使用CNN模型产生中间损失意识，以减少总体损失。我写了一些粗略的代码，但我不能写正确的代码来使用这些胶囊计算局部损失。代码如下：
from tensorflow.keras import layers
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorf
浏览 3提问于2021-05-04得票数 0
4回答
因此，我试图在我的数据集上使用一个预先训练过的模型，然后将它与我自己的cnn模型进行比较。但是，当我尝试做模型时，我看到了一个错误。非常适合，以至于((无，4，4，1) vs (无))。这个错误从何而来？我应该编辑cnn的预调吗？
我使用的模型是ResNET50，除了将输入层更改为128，并且有2个输出外，没有任何修改。
欢迎任何帮助，
代码：
history = modelB.fit_generator(train_data,
validation_data = test_data,
e
浏览 8提问于2022-03-04得票数 4
在我的keras中添加自定义丢失函数@tf.function后，keras模型停止加载(似乎保存模型，但不能重新加载模型)。文件显示这很简单但是..。
各种这样的答案表明，使用一个Keras版本训练的模型不能加载到其他Keras版本中。因此，我卸载了Keras 2.4.3 (从Anaconda env)，以避免任何混淆，并试图仅使用Tensorflow-keras建模和保存/加载。
所以，现在尝试保存一个Tensorflow-keras模型，然后再加载该模型，但是不会重新加载各种错误(如下)。环境是Anaconda3 python3.8 (带有Keras2.4.3，然后卸载它)和Tensorf
浏览 4提问于2020-11-26得票数 2
回答已采纳
1回答
我已经建立了一个强化学习DQN，将可变长度的序列作为输入，并计算出行动的积极和消极奖励。我在Keras中的DQN模型存在一些问题，这意味着尽管该模型运行，但在epsilon的单个和多个周期中，平均回报会随着时间的推移而减少。即使经过长时间的训练，这一点也不会改变。 ? ? 我的想法是，这是由于在Keras中使用MeanSquareError作为损失函数(最小化误差)。所以我正在尝试实现梯度上升(以最大化回报)。如何在Keras中做到这一点？我目前的模型是： model = Sequential()
inp = (env.NUM_TIMEPERIODS, env.NUM_FEATU
浏览 47提问于2020-11-23得票数 0
回答已采纳
我正在尝试做一个生成性对抗网络，但我不能适应生成器模型。我使用仅具有密集层的顺序()模型，首先使用input_shape=(1，)，最后使用imgsize * imgsize1 *3输出空间。imgsize = (28，28)，因此输出空间有2352个单位。
我需要拟合“实际成本”和“前一图像”，但当我尝试拟合之前预测的输出时，出现错误。
ValueError:检查目标时出错:要求GenDense5具有形状(1，)，但得到形状为(2352，)的数组
generator = keras.Sequential([
keras.layers.Dense(1, input_shape=(1,)
浏览 11提问于2019-07-05得票数 1
回答已采纳
2回答
我正在努力理解keras模型是如何工作的。 当我们训练模型时，我们给出指标(如“准确性”)和损失函数(如交叉熵)作为参数。我想知道的是模型优化的目标是什么。拟合后，leant模型最大限度地提高了准确性？或者最大限度地减少损失？
浏览 30提问于2020-10-27得票数 0
我正在使用model.load_weights加载keras模型的权重。我想知道权重是在模型编译之前还是之后加载的，这是否会有所不同。
浏览 23提问于2020-07-12得票数 3
回答已采纳
我刚开始使用keras，我尝试为mnist数据集在keras.datasets中构建一个模型。
这是我的初始代码：
import tensorflow as tf
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
然后，我定义了一个模型：
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.lay
浏览 0提问于2018-12-02得票数 2
回答已采纳
1回答
最后的训练步骤可能没有最低的损失，如果损失波动。
我想知道，如果对Keras中的模型进行了验证，那么Keras是如何选择最终模型的？
有吗？
通过从整个培训过程中选择对验证数据损失最小的模型来选择Keras
或
Keras从最终的培训步骤中选择最终模型，而不管最终模型是否给出验证数据的最小损失？
谢谢。
浏览 3提问于2020-12-18得票数 2
回答已采纳
1回答
我有4个班级，每个班级有1350张图片。验证集具有总图像的20% (它是自动生成的)。训练模型使用MobilenetV2网络：
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False, weights='imagenet')
模型创建完成：
model = tf.keras.Sequential([
base_model,
tf.keras.layers.Conv2D(32, 3, activation='relu', kernel_
浏览 2提问于2020-10-02得票数 0
与Keras相比，我更熟悉tensorflow图形培训，但我正在这里试用Keras。
在构建GAN时，需要针对与鉴别器不同的损耗(相反的损耗)对发电机进行优化。在base中，使用两个优化器或分别使用适当的权重组调用optimizer.compute_gradients(...)和optimizer.apply_gradients(...)，这非常容易实现。
在Keras中，我看不出我能实现这两个目标。在像这样的实现中，生成器和鉴别器的训练似乎被分割成不同的模型，然后逐批独立地进行训练。这意味着每一次有效更新都需要更多的传递，而不是使用两个优化器一次操作的基本tensorflow实现。
有没有一
浏览 0提问于2019-07-09得票数 10
回答已采纳
1回答
我使用Keras/TF的模型如下：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在model.fit中，我收到一个错误：
ValueError:检
浏览 0提问于2019-01-02得票数 5
回答已采纳
目前，我从我的模型中得到了这样的结果：
egen = keras.models.Model(egen_input, [classes,x])
其中x有[None, 32, 32, 3]，classes有[None, 2]作为维度。如何在自定义丢失函数中仅引用部分输出？
例如,
def customLoss():
def loss(y_true, y_pred):
return keras.losses.binary_crossentropy(y_true, y_pred[0])
return loss
当前，上面的丢失函数在不匹配的维度上返回错误，但是如果我只使用y_pred，
浏览 0提问于2018-09-12得票数 0
回答已采纳
我正在寻找一种方法来评估一个预先训练的TensorFlow Keras模型，使用各种损失函数，例如MAE，MSE，.当我检查Model.evaluate()函数时，它不接受一个损失函数类型作为参数，这样做是否可能不需要每次我们想用一个新的损失函数进行评估时重新编译模型呢？做这件事最简单的方法是什么？
浏览 4提问于2021-12-06得票数 0
回答已采纳
我正试图在google上创建我的人脸检测模型。基本上，它是VGG16的副本。除了前一层和最后三层外，还有相同的层。它运行在colab上的Python2笔记本上。
我看到了其他的问题，它们在数组中都得到了比所需的成员更多的内容，并且有解决方案。另一些则未得到答复。
当使用我的模型的训练代码运行单元格时，它会引发一个错误。
#img_data contains images converted to array and pre-processed
img_data = np.array(img_data_list)
img_data=np.rollaxis(img_data,1,0)
img_d
浏览 0提问于2019-01-02得票数 0
回答已采纳
1回答
两个损失和可调权重的角角
、、、、
下面是详细的描述。我有一个具有输出x1和x2的两个层的keras函数模型。
x1 = Dense(1,activation='relu')(prev_inp1)
x2 = Dense(2,activation='relu')(prev_inp2)
我需要使用这些x1和x2，合并/添加它们，并给出加权损失函数，就像附件中的图像一样。将“相同的损失”传播到两个分支。Alpha是灵活的，可以随迭代而变化。
浏览 1提问于2017-09-11得票数 7
回答已采纳
今天我在运行tensorflow代码时发现了一件非常有趣的事情：
import matplotlib
from matplotlib import pyplot as plt
import tensorflow as tf
matplotlib.rcParams['figure.figsize'] = [9, 6]
x = tf.linspace(-2., 2., 201)
def f(x):
y = x**2 + 2*x - 5
return y
y = f(x) + tf.random.normal(shape=[201])
class Model(tf.ker
浏览 1提问于2022-01-13得票数 3
我使用的是一个Keras模型，它是在DL4J的Java过程中用Python语言训练的。这通常工作得很好，但现在转移到使用自定义损失函数。 该模型在Python中使用自定义损失函数进行训练： model = load_model('modelFile' , custom_objects={'loss': my_custom_loss_function(weight)}) 我尝试在带有dl4j (版本: 1.0.0-beta6)的Java中使用它来加载模型： String modelFile = "<location of hdf5 file on
浏览 46提问于2020-03-20得票数 0
回答已采纳
我试图使用keras (版本2.3.1)和tensorflow (版本1.13.1)创建顺序MLP模型。
我创建了这样的模型：
model = keras.models.Sequential([
keras.layers.Flatten(input_shape=[24, 49]),
keras.layers.Dense(300, activation="relu"),
keras.layers.Dense(300, activation="relu"),
keras.layers.Dense(300, activation=
浏览 2提问于2019-12-19得票数 0
1回答
不可压缩层张量流
、、
我在看这个错误。我使模型的一部分不可训练，我在.fit中出现了一个错误。想冻结开始的模式，只换头。顶部是模型，底部是.fit
def snakeEyes():
K = 100
i = tf.keras.layers.Input(shape=(7,11,17), name="matrix")
x1 = tf.keras.layers.Conv2D(K, 2,activation="relu",padding ="same")(i)
x1 = tf.keras.layers.Conv2D(
浏览 1提问于2021-04-01得票数 1
2回答
我在Keras训练并拯救了一个卷积式自动编码器。在以.h5格式保存模型之前，它的训练损失为0.2394，验证损失为0.2586。在测试保存的模型时，我得到的损失是验证损失的两倍多，即0.6707。我实际上是用训练数据中的样本来测试它，看看我是否会得到同样的损失，甚至更接近它在训练期间。
下面是我计算损失的方法，其中“总计”是我要通过测试模型的图像总数。
score = np.sqrt(metrics.mean_squared_error(predicteds,images))
print ('Loss:',score/total)
我在如何计算测试损失上犯了错误吗？
下面是模型
浏览 0提问于2019-12-21得票数 1
回答已采纳
我在Keras中使用functional API来构建一个具有多个输出层的神经网络模型。我想知道在优化过程中更新权重时(当做back-prop时)损失是如何评估的。假设使用相同的损失函数，那么所有输出的平均损失是用于最小化成本函数还是单独评估每个输出以更新权重？
提前感谢！
浏览 0提问于2017-04-29得票数 3
我构建了一个自定义的keras模型：
def create_model(input_dim,
filters,
kernel_size,
strides,
padding,
rnn_units=256,
output_dim=30,
dropout_rate=0.5,
浏览 0提问于2019-11-02得票数 0
我想评估tensorflow模型的自定义输入，如何做到这一点？我有下面的工作tensorflow代码
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Flatten, Dense
import numpy as np
import pandas as pd
all_data, all_labels = np.resize(np.linspace(0,50,100),[1000,3]), np.random.randint(0,2,[1000])
def build
浏览 7提问于2022-06-11得票数 0
2回答
所以在我昨天用model.save('path')保存了我的模型后，我今天才发现TF2.3和keras保存模型有一些问题。这里已经描述了问题：。但公认的解决方案对我没有帮助。当我使用model = tf.keras.models.load_model('path')加载模型时，它返回的测试精度比保存它之前要低。使用
model.compile(optimizer = SGD(lr = 1e-3, momentum = 0.9, decay = 1e-6), #RMSProp
loss = 'binary_crossentropy
浏览 2提问于2021-08-04得票数 1
我正在尝试转换我与tensorflow层编写的CNN，以使用tensorflow中的keras (我正在使用Tf1.x提供的keras )，并且正在编写一个定制的丢失函数，以训练模型。
根据本指南，在定义丢失函数时，它需要参数(y_true, y_pred)
def basic_loss_function(y_true, y_pred):
return ...
但是，在我看到的每一个例子中，y_true都与模型有着某种直接的联系(在简单的情况下，它是网络的输出)。在我的问题上，情况并非如此。如果我的损失函数依赖于一些与模型的张量无关的训练数据，那么如何实现这一点？
具体而言，我的问题
浏览 3提问于2020-02-04得票数 4
2回答
在我的简单变分自动编码器代码中，我希望看到模型运行时的重构和KL发散损失值。我在Keras文档页面中使用了，并将损失部分修改如下：
reconstruction_loss = original_dim*binary_crossentropy(inputs,outputs)
kl_loss = -0.5*K.sum(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)
vae_loss = K.mean(reconstruction_l
浏览 1提问于2019-08-28得票数 1
回答已采纳
在精度方面，我想利用RandomizedSearchCV找到一个很好的神经网络实例，因为它的任务是解决一个二进制分类问题。不幸的是，我收到了错误消息
Scoring failed. The score on this train-test partition for these parameters will be set to nan.
这就是我的实现：
# Define neural network instance
def build_model(n_hidden_layers=2, n_neurons=77, dropout_rate=0.5 ,optimizer='adam&
浏览 2提问于2021-08-16得票数 1
我在R中使用Keras，它的文档指定：
如果模型有多个输出，则可以通过传递字典或损失列表，对每个输出使用不同的损失。然后，该模型将最小化的损失值将是所有个人损失的总和。
在这种情况下，我有多个输出，但是应用了相同的损失函数，Keras仍然对它们进行求和，或者它是否进行了另一个转换，如average？
浏览 0提问于2019-07-26得票数 2
回答已采纳
5回答
在Keras中，如果您需要使用附加参数的自定义丢失，我们可以像在上提到的那样使用它
def penalized_loss(noise):
def loss(y_true, y_pred):
return K.mean(K.square(y_pred - y_true) - K.square(y_true - noise), axis=-1)
return loss
当我训练模型时，上面的方法是有效的。然而，一旦模型被训练，我在加载模型上有困难。当我尝试在custom_objects中使用load_model参数时，如下所示
model = load_model(
浏览 0提问于2018-01-22得票数 37
回答已采纳
1回答
我使用keras和set机器学习模型来预测这样的数据。
K.clear_session()
model = Sequential()
model.add(Dense(3, input_dim=1, activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, y_train, epochs=500,
batch_size=2, verbose=1,
浏览 5提问于2017-11-01得票数 2
回答已采纳
3回答
当我使用fit_generator，方法训练带有keras的顺序模型时，我看到了这个输出。
1/N期
n/N ====================>.- ETA xxxx损失: yyyy
我注意到，损失随着步骤的数目逐渐减少，正如预期的那样。我的问题是，我还注意到，当一个时代结束，另一个时代开始时，损失的价值与我在前一个时代结束时所看到的完全不同。
为什么会这样呢？我认为每一步的时间和步数都是任意值，例如，使用1000步的10个历元应该与10个步骤的1000个历元相同。但是，在Keras2.0中，一个时代和下一个时代究竟发生了什么呢？
免责声明:我知道时代的定义，以及如何使用
浏览 0提问于2018-12-13得票数 2
回答已采纳
1回答
我想使用一个损失函数，其中包括一个表达式，用于关注模型所使用的区域。
我的模型是一个分类模型，设计用于根据原始图像的一个小区域执行决策。
所以我希望我的损失函数是：
Loss = categorical_crossentropy(y_pred, y_true) + alpha*A
其中A是关注模型中的区域。
如何在Keras中创建自定义损失函数，以最小化标准损失之和+一些附加函数？
浏览 0提问于2018-12-18得票数 1
回答已采纳
1回答
我正在使用Tensorflow对一些CNN网络进行专有数据培训。我们有大量的数据，而且这些模型似乎能够学习大量关于数据分类的信息(到目前为止都是二进制分类)。
有时，列车/测试精度曲线可以非常好，在某些情况下达到95%以上。然而，损失函数在规模上是可疑的。从视觉上看，它们看上去还不错，而且我对某些东西的期望也很好，但这并不是正确的数量级。
有人能告诉我，在TF/Keras中，这种缩放通常是如何进行的吗？我对这些模型很有信心，因为它们已经在其他数据集上进行了测试，并且很好地推广了，但是螺旋损失函数并不是很好的报告。
学习率约为0.0001。L1和L2使用相同的lambda值，在向模型提供0.01
浏览 1提问于2021-05-14得票数 0
1回答
我正在使用Keras loss='binary_crossentropy'、optimizer=tf.keras.optimizers.Adam进行二进制分类，最后一层是keras.layers.Dense(1, activation=tf.nn.sigmoid)。
据我所知，loss值被用于评估训练阶段的模型。但是，当我将Keras模型评估用于测试数据集(例如，m_recall.evaluate(testData,testLabel) )时，也存在loss值，并伴随着类似下面的输出的accuracy值。
test size: (1889, 18525)
1889/1889
浏览 0提问于2018-11-27得票数 5
回答已采纳
我想在训练中更换与我的神经网络相关的损失函数，这就是网络：
model = tensorflow.keras.models.Sequential()
model.add(tensorflow.keras.layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=input_shape))
model.add(tensorflow.keras.layers.Conv2D(64, (3, 3), activation="relu"))
mo
浏览 0提问于2020-04-02得票数 7
回答已采纳
我在CPU上运行相同的代码(使用相同的数据)，首先使用keras 1.2.0，然后使用keras 2.0.3在这两个代码中，keras使用TensorFlow后端，我还使用sklearn进行模型选择，外加pandas读取数据。
当我在使用keras 2.0.3和使用keras 1.2.0时得到42和21的MSE(均方误差)时，我感到很惊讶。有没有人能给我解释一下为什么会这样？为什么我在使用keras 2时会遇到更多的错误？谢谢
PS。这个结果是在将代码编辑为keras2标准之后得到的。例如，在Dense中，我将keras1代码更改为keras2标准。
浏览 3提问于2017-04-26得票数 4
我试图评估单个2D测试样本的MSE损失，在Keras中使用一个自动编码器(AE)，一旦模型被训练，我很惊讶当我调用Keras内置函数来获取单个样本的丢失时，它会返回2D张量。这意味着损失函数计算每个样本的每个像素损失，而不是每个样本计算一个损失(?)。为了非常清楚，我期望MSE将所有像素上计算的平方误差的平均值与每个2D样本相关联(正如我在这个上所读到的)。
由于在使用.predict()和.evaluate()训练我的AE之后，每个测试样本没有得到一个标量MSE错误(也许我也遗漏了一些东西)，所以我继续尝试直接使用keras.losses.mean_squared_error()，逐个样本。
浏览 0提问于2019-08-19得票数 3
回答已采纳
我想用keras的预训练模型进行迁移学习
import tensorflow as tf
from tensorflow import keras
base_model = keras.applications.MobileNetV2(input_shape=(96, 96, 3), include_top=False, pooling='avg')
x = base_model.outputs[0]
outputs = layers.Dense(10, activation=tf.nn.softmax)(x)
model = keras.Model(inputs=base
浏览 0提问于2019-07-30得票数 1
1回答
根据Keras文档的说法，sample_weight可以用于训练数据中的任何样本在损失中的不同重要性。
我在谷歌上搜索了一下，但没有找到我的问题的答案如下：
sample weights是否参与衍生产品？换句话说，Keras是使用这些权重来训练模型，还是只产生不同的损失值？即，导数是“静态”计算的w.r.t。对“未加权”损失？
因为损失函数实际上并不是基于样本权重来定义的，所以它只是(作为参数)传递给Keras中的fit函数。
浏览 0提问于2020-03-21得票数 6
在keras的模型拟合函数中设置class_weights参数时，如下所示： model.fit(X_train, y_train, class_weight={0: 2.217857142857143, 1: 0.6455301455301455}) 我不确定用哪种方法将class_weight权重设置为正确的类： 是class_weight={0: 2.217857142857143, 1: 0.6455301455301455}还是class_weight={0: 0.6455301455301455, 1: 2.217857142857143 }？
浏览 328提问于2020-11-09得票数 1
回答已采纳
3回答
我正在使用Colab中的Keras Tensorflow。我拟合了一个模型并保存了它。然后我加载它并检查性能，当然它应该是相同的。然后我冻结它，然后重新拟合它。我希望之后的模型也能有同样的性能。当然，在“训练”期间，由于批量大小的差异，准确性可能会有所不同。但之后，当用model.evaluate检查它时，我预计没有区别，因为权重不能改变，因为模型是冻结的。然而，事实证明并非如此。 我的代码： import csv
import tensorflow as tf
import tensorflow_datasets as tfds
import numpy as np
from tensor
浏览 50提问于2020-09-17得票数 2
在训练的同时，建立了Keras模型和，分类精度指标达到0.78。
但是，在对模型进行培训之后，当我运行以下代码时，当预测输出相同的培训数据时：
predicted_labels = model.predict(input_data)
acc = sklearn.metrics.accuracy_score(true_labels, predicted_labels)
精度为0.39。总之，对于Keras和Sklearn，我没有得到相同的精确结果。
浏览 2提问于2018-12-05得票数 0
我制作了两种不同的卷积神经网络来进行多类分类。我在keras中使用evaluate_generator函数测试了这两个网络的性能。这两种模型都给了我相当的准确性。一个给我55.9%，另一个给我54.8%。然而，给我55.9%的模型给出的验证损失为5.37，其他1.24。
当精度相近时，这些测试损失怎么会如此不同呢？如果有的话，我预计损失的55.9%的模型，准确性会较低，但它不是。
是不是损失了网络所犯错误的总和？
我会很感激你的见解。
浏览 2提问于2020-08-11得票数 2
回答已采纳
1回答
我正在尝试将keras模型转换为tflite量化模型，这样我就可以在coral TPU上运行我的模型，但我的keras模型和tflite模型的输出明显不同。
红点是量化的tflite模型输出，蓝点是原始keras模型输出。
下面是我将keras模型转换为量化tflite模型的代码：
quant = True
gc.collect()
import tensorflow as tf
import numpy as np
import pathlib
print(tf.__version__)
converter = tf.lite.TFLiteConverter.from_keras_
浏览 4提问于2020-05-28得票数 1
2回答
我用tensorflow在Keras中实现了一个基本的MLP，并试图解决一个二进制分类问题。对于二进制分类，sigmoid似乎是推荐的激活函数，我不太理解其中的原因，以及Keras如何处理这个问题。
我理解sigmoid函数会产生介于0到1之间的值。我的理解是，对于使用sigmoid的分类问题，将有一个特定的阈值来确定输入的类(通常为0.5)。在Keras中，我没有看到任何方法来指定这个阈值，所以我假设它是在后端隐式完成的？如果是这种情况，那么Keras如何区分在二进制分类问题中使用sigmoid，还是在回归问题中使用？对于二进制分类，我们需要一个二进制值，而回归则需要一个名义值。我所能看到的
浏览 0提问于2018-03-06得票数 21
回答已采纳
1回答
我很难理解LSTM模型的性能，因为我将我的模型总结如下：
X_train.shape
(120, 7, 11)
y_train.shape
(120,)
X_test.shape
(16, 7, 11)
y_test.shape
(16,)
model = keras.Sequential()
model.add(keras.layers.LSTM(100, input_shape=(X_train.shape[1], X_train.shape[2]), return_sequences = True))
model.add(keras.layers.Dropout(rate = 0.2
浏览 0提问于2020-04-02得票数 1
1回答
我创建了一个基本的自定义丢失函数(返回MSE或MAE of y_true和y_pred)。但是，我得到了以下错误：
InvalidArgumentError: reshape的输入是一个包含32个值的张量，但是请求的形状有1[[节点自定义丢失/重塑“)
我传递给model.fit()的model.fit()张量的形状是(44,906,1)，我的顺序模型是：
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LocallyConnected1D(4, kernel_size=(4), strides=2,
浏览 6提问于2021-07-09得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
