損失函數loss：該參數為模型試圖最小化的目標函數，它可為預定義的損失函數名，如categorical_crossentropy、mse，也可以為一個損失函數。詳情見losses
可用的損失目標函數：
mean_squared_error或mse
mean_absolute_error或mae
mean_absolute_percentage_error或mape
mean_squared_logarithmic_error或msle
squared_hinge
hinge
categorical_hinge
binary_crossentropy（亦稱作對數損失，logloss）
logcosh
categorical_crossentropy：亦稱作多類的對數損失，注意使用該目標函數時，需要將標簽轉化為形如(nb_samples, nb_classes)的二值序列
sparse_categorical_crossentrop：如上，但接受稀疏標簽。注意，使用該函數時仍然需要你的標簽與輸出值的維度相同，你可能需要在標簽數據上增加一個維度：np.expand_dims(y,-1)
kullback_leibler_divergence：從預測值概率分布Q到真值概率分布P的信息增益,用以度量兩個分布的差異.
poisson：即(predictions - targets * log(predictions))的均值
cosine_proximity：即預測值與真實標簽的余弦距離平均值的相反數
補充知識：keras.model.compile() 自定義損失函數注意點
基本用法
model.compile(optimizer=Adam(lr=1e-4), loss='binary_crossentropy', metrics=['accuracy'])
注意
loss后類似'binary_crossentropy'、'mse'等代稱
loss為函數名稱的時候，不帶括號
函數參數必須為(y_true, y_pred, **kwards)的格式
不能直接使用tf.nn.sigmoid_cross_entropy_with_logits等函數，因為其參數格式為(labels=None,
logits=None)，需要指定labels=、logits=這兩個參數
以上這篇keras:model.compile損失函數的用法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/weixin_41770169/article/details/80184115
