mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()
代码语言：javascript复制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) 补充知识：(Keras)——keras 损失函数与评价指标详解
1、目标函数
(1）mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()
(2）mean_absolute_error / mae 绝对值均差，公式为(|y_pred-y_true|).mean()
(3) mean_absolute_percentage_error / mape公式为：(|(y_true – y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的区别就是，累加的是（预测值与实际值的差）除以（剔除不介于epsilon和infinite之间的实际值)，然后求均值。
(4)mean_squared_logarithmic_error / msle公式为： (log(clip(y_pred, epsilon, infinite) 1)- log(clip(y_true, epsilon,infinite) 1.))^2.mean(axis=-1)，这个就是加入了log对数，剔除不介于epsilon和infinite之间的预测值与实际值之后，然后取对数，作差，平方，累加求均值。
(5)squared_hinge 公式为：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的平方的累加均值。
(6)hinge 公式为：(max(1-y_truey_pred,0)).mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的的累加均值。
(7)binary_crossentropy: 常说的逻辑回归, 就是常用的交叉熵函
(8)categorical_crossentropy: 多分类的逻辑
2、性能评估函数：
(1)binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率
(2)categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率
(3)sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用
(4)top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确
(5)sparse_top_k_categorical_accuracy：与top_k_categorical_accracy作用相同，但适用于稀疏情况
以上这篇浅谈keras中的目标函数和优化函数MSE用法就是小编分享给大家的全部内容了，希望能给大家一个参考。
