Question

我的问题是关于keras here中适合函数的参数。当我们有一个以x作为输入和y作为输出的模型时。然后，如果我们有一批带有输入x和目标输出y的样本，则可以使用model.fit(x,y)来更新模型。假设我们有一个损失函数l(x,y)，model.fit(x,y)的作用是如下更新模型的权重w

delta = 0

对于批次中的每个样本i：增量<-增量+相对于w的损耗梯度（x_i，y_i）

w <-w +增量

现在，假设我们要更改更新规则，如下所示：

delta = 0

对于批次中的每个样本i：delta <-delta + q_i *相对于w的损耗梯度（x_i，y_i）

w <-w + n * delta

我想知道函数fit的哪些参数可用于对系数q_i和n进行建模：

fit（x = None，y = None，batch_size = None，epochs = 1，verbose = 1， callbacks = None，validation_split = 0.0，validation_data = None， shuffle = True，class_weight = None，sample_weight = None，initial_epoch = 0， steps_per_epoch = None，validation_steps = None）

我想class_weight或sample_weight中的一个应该与系数q_i有关，但我不知道哪个。任何想法？以及可以使用这些参数中的哪一个来建模n？

Answer 1

变量q_i可以放入sample_weight中。您正在使用“针对批次中的每个样本”的权重。（实际上，sample_weight将使损失成倍增加，但常数的作用类似于c.df/dx = d(c.f)/dx）

变量n并不是很简单，但是在编译时，它与优化程序的学习率lr密切相关：

示例：

from keras.optimizers import Adam
optimizer = Adam(lr=0.001)

model.compile(optimizer = optimizer, loss = 'binary_crossentropy')

class_weight呢？这将根据您的样本是哪个“输出类别”来应用权重。

虽然sample_weight的长度应与x（sample_weight.shape[0] == x.shape[0]）相同，但是class_weight应该是一个字典，例如：{0:w0, 1:w1, 2:w2}有。

keras的函数拟合中有哪些参数？

1 个答案: