数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学使用Keras和Python的compile方法编译顺序模型
Keras是作为ONEIROS（开放式神经电子智能机器人操作系统）项目研究的一部分开发的。Keras是一个用Python编写的深度学习API。它是一个高级API，具有高效的界面，有助于解决机器学习问题。
它运行在Tensorflow框架之上。它旨在帮助快速进行实验。它提供开发和封装机器学习解决方案所需的必要抽象和构建块。
它具有高度的可扩展性，并具有跨平台能力。这意味着Keras可以在TPU或GPU集群上运行。Keras模型也可以导出并在Web浏览器或手机上运行。
Keras已经存在于Tensorflow包中。可以使用以下代码行访问它。
import tensorflow from tensorflow import keras
Keras函数式API有助于创建比使用顺序API创建的模型更灵活的模型。函数式API可以处理具有非线性拓扑的模型，可以共享层并处理多个输入和输出。深度学习模型通常是一个包含多个层的有向无环图 (DAG)。函数式API有助于构建层图。
我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory有助于在浏览器上运行Python代码，无需任何配置即可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。以下是代码片段：
示例
print("Model is being compiled")
model.compile(
optimizer=keras.optimizers.RMSprop(1e-3),
loss={
"priority": keras.losses.BinaryCrossentropy(from_logits=True),
"department": keras.losses.CategoricalCrossentropy(from_logits=True),
},
loss_weights=[1.0, 0.2],
)代码来源：https://tensorflowcn.cn/guide/keras/functional
输出
Model is being compiled
解释
模型使用“compile”方法进行编译。
编译过程中，可以为每个输出分配不同的损失函数。
还可以为不同的损失函数分配不同的权重，这样就可以调节总的训练损失。
更新于：2021年1月18日
258 次浏览
广告