model.compile(optimizer='rmsprop', loss=None, metrics=None)

1. optimizer

指定優化器，分別有前面一章中的5種，分別是：
sgd、sgdm 、adagrad、rmsprop、adam等優化器
另一種寫法為：

tf.keras.optimizers.SGD(learning_rate=0.1)

2. loss

指定損失函數，如mse、categorical_corssentropy、sparse_categorical_corssentropy等

tf.keras.losses.CategoricalCrossentropy(from_logits=False) tf.keras.losses.MeanSquaredError() tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

from_logits是在詢問是否是沒有概率分布的輸出，所謂的概率分布的輸出指的是經過了softmax的效果，經過了概率分布則是False。

3. metrics

網絡評測度量，分別有：accuracy、categorical_accuracy、sparse_categorical_accuracy等
accuracy表示y_和y都是以數值形式給出的；
categorical_accuracy表示y_和y都是獨熱編碼（概率分布），如：y_=[0,1,0]，y=[0.2, 0.5. 0.3]；
sparse_categorical_accuracy表示y_是數值形式，y都是獨熱編碼（概率分布），如：y_=[1]，y=[0.2, 0.5. 0.3]；

import tensorflow as tf from sklearn import datasets import numpy as npx_train = datasets.load_iris().data y_train = datasets.load_iris().targetnp.random.seed(116) np.random.shuffle(x_train) np.random.seed(116) np.random.shuffle(y_train) tf.random.set_seed(116)model = tf.keras.models.Sequential([tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2()) ])model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy']) 迭代打印一次當前的 # 驗證集劃分為0.2， 每20次sparse_categorical_accuracy model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)model.summary()

總結

以上是生活随笔為你收集整理的model.compile的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。