如何使损失函数正则化？
损失函数正则化是一种常见的技术，用于在训练机器学习模型时防止过拟合。通过正则化损失函数，可以在损失函数中引入额外的惩罚项，以减小模型的复杂度，并提高其泛化能力。
常用的正则化方法包括L1正则化和L2正则化。
- L1正则化（L1 Regularization）：
- 概念：L1正则化通过在损失函数中添加模型权重的绝对值之和作为惩罚项，将一部分权重推向0，从而实现特征选择和稀疏性。
- 分类：L1正则化属于Lasso回归（Least Absolute Shrinkage and Selection Operator）的一种形式。
- 优势：L1正则化可以用于特征选择，减少冗余和不重要的特征，使模型更简单、更易解释，并且在数据稀疏的情况下效果较好。
- 应用场景：适用于高维度的数据集，如自然语言处理（NLP）中的文本分类、图像处理中的特征提取等。
- 腾讯云相关产品：腾讯云AI Lab的Lasso回归介绍（https://cloud.tencent.com/developer/article/1617617）
- L2正则化（L2 Regularization）：
- 概念：L2正则化通过在损失函数中添加模型权重的平方和作为惩罚项，使得权重逐渐趋向于0，但不会完全等于0。
- 分类：L2正则化属于岭回归（Ridge Regression）的一种形式。
- 优势：L2正则化可以有效降低模型的复杂度，防止过拟合，提高模型的泛化能力。
- 应用场景：适用于回归问题和分类问题，如线性回归、逻辑回归等。
- 腾讯云相关产品：腾讯云AI Lab的岭回归介绍（https://cloud.tencent.com/developer/article/1617613）
在实际应用中，可以通过在损失函数中添加正则化项的权重（通常用λ表示）来控制正则化的程度。λ的取值越大，正则化的影响就越显著。
总结：损失函数正则化是一种用于防止过拟合的技术，通过在损失函数中添加惩罚项来降低模型的复杂度。L1和L2正则化是常用的正则化方法，各自适用于不同的场景和问题。腾讯云提供了AI Lab中的Lasso回归和岭回归作为相关产品，供用户进行正则化处理的应用和实践。
相关·内容
1回答
当使用Tensorflow对象检测API训练对象检测DNN时，它的可视化平台Tensorboard绘制了一个标量regularization_loss_1
这是什么？我知道什么是正规化(使网络擅长通过各种方法，比如辍学)，但我不清楚这种表现出来的损失可能是什么。
谢谢!
浏览 2提问于2018-01-25得票数 25
回答已采纳
我有一个定制的损失函数。为了体验如何在验证过程中计算损失，我更新损失函数如下：
def custom_loss(y_true, y_pred):
return 0 * tf.reduce_mean(input_tensor=-tf.reduce_sum(input_tensor=y_true_1 * tf.math.log(y_pred_1), axis=-1)) + 1
乘以0，使数据依赖的损失值一如既往地为0。
向其添加一个常量值，如1，这样损失函数总是返回值1。
现在，当我对数据运行model.evaluate时，tensorflow将损失值显示为1.0567。
为了进一步实验
浏览 0提问于2020-05-05得票数 0
1回答
我有五个决策变量，每个变量都有一个特定的范围。我需要找到这些变量的组合，以便使我的一个目标最大化，同时最小化另一个目标。我编制了一个随机生成变量的数据表，其中包含了两个目标函数的各自值。请建议我如何用神经网络来解决这个问题。
我的目标函数涉及热力学计算。如果有兴趣的话，您可以在这里查看目标函数：
浏览 0提问于2019-07-15得票数 0
回答已采纳
在机器学习成本函数中，如果我们想要最小化两个参数的影响，比如theta3和theta4，似乎我们必须给出一个很大的正则化参数值，就像下面的等式一样。
我不太确定为什么更大的正则化参数会减少而不是增加影响。这个函数是如何工作的？
浏览 0提问于2017-06-25得票数 4
1回答
我目前正在使用一个稀疏自动编码器，我所理解的是，我们不需要所有隐藏单元为每个输入触发，而是根据输入类型的不同一些特定的隐藏单元。为此，我们在损失函数中添加了一个稀疏正则化项。但我无法理解如何将这个正则化项添加到损失函数中，以帮助我们阻止某些隐藏的单位触发？。
浏览 2提问于2020-05-12得票数 0
1回答
零平均角卷积
、、、
如何在每个过滤器都有零均值的情况下实现conv2d。
我试图通过conv2d中的conv2d参数来实现这一点，但由于某些原因，我遇到了一些问题。
def zero_mean_regularizer(weight_matrix):
# weight matrix is channel last
return weight_matrix - K.mean(weight_matrix, axis=(1, 2), keepdims=True)
但是，出于某种原因，我从ModelCheckpoint回调中得到了一个神秘的错误。
self = <keras.callbacks.Mod
浏览 5提问于2019-12-26得票数 2
回答已采纳
1回答
Keras自定义损失计算不正确
、、、、
我正在尝试使用Keras中的自定义损失函数。我的实现类似于：
class LossFunction:
...
def loss(self, y_true, y_pred):
...
localization_loss = self._localization_loss()
confidence_loss = self._object_confidence_loss()
category_loss = self._category_loss()
self.loc_loss = localizati
浏览 7提问于2018-01-29得票数 3
回答已采纳
我有很多关于tensorflow的实践经验，最近我一直在尝试实现一个定制的丢失功能。由于我与它斗争，我试图实现一个简单的平均绝对误差(MAE)损失。这是我的职责：
@tf.function
def my_mae(y_true, y_pred):
return tf.reduce_mean(tf.abs(tf.subtract(y_true, y_pred)), axis=-1)
编译与拟合
现在，在我看来，这是非常准确的，但是接下来我用以下参数编译了我的模型：
model.compile(loss=my_mae,
optimizer='adam
浏览 0提问于2020-10-14得票数 2
回答已采纳
我编写了一个自定义丢失函数，将正则化损失添加到总损失中，我只在内核中添加了L2正则化程序，但是当我调用model.fit()时出现了一个警告，该警告声明这些偏差不存在梯度，并且不更新偏差，如果从其中一个层的内核中删除正则化损失，则该内核的梯度也不存在。
我试图在每一层中添加偏置正则化器，所有的东西都正常工作，但我不想将偏见正则化，那么我该怎么办呢？
这是我的损失函数：
def _loss_function(y_true, y_pred):
# convert tensors to numpy arrays
y_true_n = y_true.numpy()
y_pre
浏览 1提问于2021-06-09得票数 0
回答已采纳
我不太理解kernel_regularizer和kernel_constraint参数在TensorFlow 2.0中的区别。
我正试图在我的网络中应用光谱归一化。这两者有什么区别呢？
我的直觉告诉我光谱规范是一种约束。但是，如果我把它作为kernel_regularizer参数传递，那会有什么不同呢？
浏览 3提问于2020-03-24得票数 1
回答已采纳
我要认识凯拉斯了。现在，我正在测试正则化以及如何使用它们。在我看来，在有和没有正则化的训练课上，损失历史的结果似乎增加了正则化的术语，对吗？
当我的模型没有正则化项时，损失值从小于1开始，但是当我用正则化(L1L2)对模型进行再训练时，相同问题的损失值从500开始。我得到的唯一合乎逻辑的解释是，Keras在增加正则化项之后报告了损失值。我相信没有正则化的损失价值和它一样有价值，如果不是更有价值的话。难道你不觉得？
浏览 0提问于2018-08-12得票数 2
回答已采纳
1回答
查看L2正则化程序的代码，我理解它意味着对任何不是零的东西都要进行惩罚。换句话说，允许避免这种惩罚的理想张量应该只包含零。我是否正确理解这个概念？
浏览 1提问于2022-07-03得票数 0
回答已采纳
2回答
在Keras中，对于密集层，我们可以使用参数activity_regularizer。在Tensorflow中，没有类似的参数。
喀拉斯：
from keras import regularizers
encoding_dim = 32
input_img = Input(shape=(784,))
# add a Dense layer with a L1 activity regularizer
encoded = Dense(encoding_dim, activation='relu', activity_regularizer=regularizers.l1(10e-
浏览 0提问于2018-04-30得票数 4
回答已采纳
1回答
VNET骰子损失大于1
、、、
我正在使用Keras 2.2.4和Tensorflow 1.12.0训练Vnet解决分段问题(我无法更改tensorflow版本)。掩码，即y_true，是(1,200,150,100,2)阵列。我想最大限度地减少骰子损失，定义为： “”“ def dice_loss_foreground(y_true, y_pred):
elements_per_class=tf.math.reduce_sum(y_true[:,:,:,:,1])
predicted_per_class=tf.math.reduce_sum(y_pred[:,:,:,:,1])
intersec
浏览 31提问于2021-01-12得票数 0
回答已采纳
我正在试着在sklearn中调优的超参数，想知道l2_regularization的可能值是什么，其余的参数网格看起来像这样-
param_grid = {
'learning_rate': [.1, .12],
'max_iter': [1000, 1200],
'min_samples_leaf': [15, 20],
'max_depth': [None, 10, 20]
}
在这里，.12和1000次迭代的学习率提供了足够好的结果。所以我想知道l2_regularization的值是什么样的
浏览 121提问于2021-06-12得票数 0
回答已采纳
1回答
损失和正则化推理
、、、
我正在为MovieLens数据集建立一个矩阵分解模型，并进行批量训练。批处理损失函数：
L_{batch} = 1/|B|\sum_{(u,i)\in{B}}(r_{ui} - \mu - b_u - b_i - p_u^Tq_i)^2 + \lambda(||p_u||^2 + ||q_i||^2)
L_{batch} = (L_{base\_loss} + L_{reg\_loss})/|B|
L_{base\_loss} = \sum_{(u,i)\in{B}}(r_{ui} - \mu - b_u - b_i - p_u^Tq_i)^2
L_{reg\_loss
浏览 0提问于2019-01-18得票数 2
回答已采纳
2回答
我知道，当使用内核正则化，特别是l2丢失时，我应该将它添加回丢失函数中，这就是在其他帖子中所做的。然而，在Keras中，他们没有遵循这个过程。为何会这样呢？
例如，考虑和笔记本。他们在一些层中使用l2丢失作为核心正则化，但没有添加到原始丢失中。这是因为特殊的损失，还是仅仅是Keras的行为，还是我完全误解了一切？
浏览 0提问于2018-12-30得票数 2
回答已采纳
我正在训练一个神经网络来预测单个物体的位置，所以这个预测由4个值组成: x，y，宽度和高度。没有重量衰减，损失开始于0.3左右。如果我把重量衰减的倍数加在0.004，损失就会增加到22左右。这是否意味着网络将更加重视最小化权重，而不是寻找良好的坐标？损失函数各组成部分之间的平衡有多重要？
浏览 0提问于2016-03-06得票数 2
1回答
Keras分类中损失的意义
、、、、
我正在用keras训练一个三层神经网络：
model = models.Sequential()
model.add(Conv2D(32, (3, 3), padding="same",
input_shape=input_shape, strides=2, kernel_regularizer=l2(reg)))
model.add(BatchNormalization(axis=channels))
model.add(Activation("relu"))
model.ad
浏览 1提问于2019-10-31得票数 0
回答已采纳
我正在为Keras和Tensorflow在R中创建一个自定义丢失函数。为了使我的编码尝试可信，我尝试重新创建MSE并将其与Keras的内置功能进行比较。在这个完全可复制的示例中，我开发了函数my_mse()和metric_mse()：
library(keras)
library(tensorflow)
epochs <- 3
dataset <- dataset_boston_housing()
c(c(train_data, train_targets), c(test_data, test_targets)) %<-% dataset
X_mean <-
浏览 6提问于2022-09-21得票数 0
? 我试图弄清楚在ssdlite_mobilenet_v2_coco中使用了哪些损失函数，但我似乎找不到它在回购或在线中指定的位置。这是我的Tensorboard在训练时的损失，但它没有指定损失度量是什么。 链接到存储库：https://github.com/tensorflow/models/tree/master/research/object_detection 我正在学习本教程：https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-W
浏览 27提问于2019-02-18得票数 0
1回答
我正在尝试编写弹性网络代码。它看起来像这样：
我想在Keras中使用这个损失函数：
def nn_weather_model():
ip_weather = Input(shape = (30, 38, 5))
x_weather = BatchNormalization(name='weather1')(ip_weather)
x_weather = Flatten()(x_weather)
Dense100_1 = Dense(100, activation='relu', name='weather2
浏览 14提问于2019-08-01得票数 6
回答已采纳
我对我得到的结果有点失望。我用C=1e80和penalty = 'l1或'l2'创建了两个模型(sklearn.linear_models.LogisticRegression)，然后用sklearn.cross_validation.cross_val_score和cv=3和scoring='roc_auc'测试它们。对我来说，C=1e80应该几乎不会导致正则化，并且AUC应该是相同的。取而代之的是，带有'l2'惩罚的模型给出了更差的AUC值，多次运行给出了相同的结果。这是怎么发生的？
浏览 0提问于2016-02-07得票数 0
我使用的SGDRegressor具有恒定的学习速率和默认的损失函数。我很想知道函数中的alpha参数从0.0001更改到100将如何改变回归者的行为。下面是我的示例代码：
from sklearn.linear_model import SGDRegressor
out=[(0,2),(21, 13), (-23, -15), (22,14), (23, 14)]
alpha=[0.0001, 1, 100]
N= len(out)
plt.figure(figsize=(20,15))
j=1
for i in alpha:
X= b * np.sin(phi) #Sinc
浏览 0提问于2022-04-08得票数 1
我找不到重量的曼哈顿距离与α相乘的地方(L1 reg )。系数)，在拉索回归和分位回归源代码的科学学习。
我试图实现拉索回归和分位数回归w/ NumPy，并比较结果w/ scikit-学习模型。
浏览 3提问于2022-03-29得票数 0
1回答
我一直在研究这篇论文，“支持向量数据描述”。作者描述了一个类似于One-Class SVM的模型。但是，解决方案会找到一个封装样本的球体。目标函数表示为：
K表示核函数，alpha是可调参数。我正在考虑使用PyTorch autograd来解决这个问题，但是这个包没有强制执行约束的方法。我也检查过，但我对这些方法都不是很熟悉。
浏览 13提问于2020-05-14得票数 0
1回答
我试图将L2正则化添加到我编写的网络类中，但是，当我训练它时，损失就会增加，尽管准确性也会提高。有人能解释一下我哪里出了问题吗？(我正在使用这里的公式)
将小型批处理( (1-eta*(lmbda/n))系数更新为w是我添加的)
def update_mini_batch(self, mini_batch, eta, lmbda, n):
# n is the number of training samples being trained from
# Turn the mini_batch with one dimensional samples into two matr
浏览 0提问于2020-06-21得票数 2
我想知道Tensorflow优化器(特别是AdamOptimizer)在将损失函数定义为和或小批的均值/平均值时是否有偏好？
一般来说，我的假设是使用平均值是首选的，因为损失并不取决于小批的大小。因此，可以更容易地找到适用于任意批次大小的学习速率。
然而，Tensorflow在内部将定义为：
output = sum(t ** 2) / 2
这是否意味着优化器已经在内部考虑了批大小，即期望损失与批大小成线性关系？另外，从优化的角度来看，取一半L2规范的动机是什么？
浏览 1提问于2017-04-06得票数 2
回答已采纳
我想在优化器中添加正则化，如下所示：
tf.train.AdadeltaOptimizer(learning_rate=1).minimize(loss)
但我不知道如何将函数“丢失”设计成下面的代码
我看到的网站是：
修改后的代码最初来自Google机器学习课程：
有人能给我一些建议或者和我讨论吗？
def train_nn_classifier_model_new(
my_optimizer,
steps,
batch_size,
hidden_units,
training_examples,
training_targets,
浏览 0提问于2018-12-19得票数 1
回答已采纳
1回答
我见过tensorflow 2.0的代码片段，它用于计算损失。总损失由两部分组成: 1)正则化损失；2)预测损失。我的问题是为什么model.losses是正则化的损失？model这里是tf.keras.Model的一个实例。我对tensorflow官方API文档感到有点困惑。，上面说
与此层相关的损失。
当访问该属性时，会创建变量正则化张量，因此它非常安全:在tf.GradientTape下访问损失会将梯度传播回相应的变量。
为什么我们可以通过访问losses属性得到正则化的损失？还有，什么是急切的安全？如果losses属性返回正则化丢失，为什么将其命名为losses而不是regul
浏览 1提问于2019-06-20得票数 9
我在PyTorch中使用Adam优化器训练了一个模型，并将weight_decay参数设置为1.0。
optimizer = optim.Adam(model.parameters(), lr=args.lr, weight_decay=1.0)
optimizer.zero_grad()
loss.backward()
optimizer.step()
如果我想要比较weight_decay损失和模型损失的数量，如何查看weight_decay造成的损失的价值
浏览 0提问于2019-10-18得票数 0
1回答
我对使用正规化的地方感到困惑。在理论上，我看到正则化已经与损失函数相结合。
但是在Keras的时间实现中，我看到正则化已经被用于神经网络层。
from keras import regularizers
model.add(Dense(64, input_dim=64, kernel_regularizer=regularizers.l2(0.01)
model.add(Dense(28, input_dim=64, kernel_regularizer=regularizers.l1(0.05)
在这里，我在不同的层中使用了L1和L2丢失。那么如何计算最终的损失函数呢？
浏览 4提问于2022-06-02得票数 0
我正在使用Keras和tensorflow后端来训练一个有多个输出但只有一个损失的模型(输出层“部件”上的MSE)。它的定义如下： model = Model(inputs=[image, year], outputs=outputs) # outputs is a list of 8 output layers
model_parallel = keras.utils.multi_gpu_model(model, gpus=2, cpu_merge=True, cpu_relocation=False)
losses = {'parts': keras.losses.mea
浏览 21提问于2019-09-12得票数 2
回答已采纳
1回答
请检查此链接的这个方程，并将其转换为一个简单的keras模型的python损失函数。
图中方程的最大部分或曲线选择部分为铰链损失，易表示每个例子的标号，φ(x)表示特征表示，b表示偏倚，k是训练示例的总数，w是要学习的分类器。
为了便于检验，样本方程是-
min(w) [
1/k(sum of i to k)
max(0, 1 - y_i(w.φ(x) - b))
]
+
1/2||w||^ 2
.
实际上，我可以在图片中找到方程的最大部分或曲线部分，但我不能找到1/2 **\，w，，x，x，^2部分。
你也要查看这个链接以寻求帮助-
在这里，我附加了一些示例代码来澄清我的问题的概念：
浏览 0提问于2019-10-25得票数 0
回答已采纳
这种用法的语法很清楚：
decay = tf.constant(0.001, dtype=tf.float32)
w = tf.get_variable(name='weight', shape=[512, 512],
regularizer=tf.contrib.layers.l2_regularizer(decay))
然而，文件中只说明了以下几点：
regularizer：a( ->张量或无)函数；将其应用于新创建的变量的结果将添加到集合tf.GraphKeys.REGULARIZATION_LOSSES中，并可用于正则化。
浏览 1提问于2019-07-05得票数 3
回答已采纳
1回答
在过度适应的情况下，据我所知，val_loss必须飙升而不是train_loss。但是下面的情况如何(val_loss仍然很低)？这个模型不合身吗？还是完全不同的案子？以前我的模型会非常适合，所以我增加了0.3的下降率(4个CuDNNGRU层，64个神经元，一个密集的层和64个批次)，那么我应该减少辍学吗？
浏览 1提问于2019-09-22得票数 2
回答已采纳
我遇到了准备在Keras的LSTM层中使用的数据的问题。该数据为1,600,000项时间序列csv，由日期和三个特性组成：
Date F1 F2 F3 2016-03-01 .252 .316 .690 2016-03-02 .276 .305 .691 2016-03-03 .284 .278 .687 ...我的目标是预测未来F1 prediction_period时间步骤的值。了解到Keras的LSTM层以这种格式(示例、时间步骤、维度)接收导入数据，我编写了以下函数将数据转换为这种格式的3D numpy数组(以2016
浏览 0提问于2017-02-21得票数 1
1回答
我使用的是具有自定义丢失函数的keras，如下所示：
def custom_fn(y_true, y_pred):
# changing y_true, y_pred values systematically
return mean_absolute_percentage_error(y_true, y_pred)
然后我给model.compile(loss=custom_fn)和model.fit(X, y,..validation_data=(X_val, y_val)..)打电话
然后，Keras将在模型历史记录中保存loss和val_loss。作为一个健全检查，当模型完
浏览 0提问于2020-08-18得票数 7
回答已采纳
在训练logistic回归模型的同时，利用正则化方法可以帮助分配权重，避免对特定权重的依赖，使模型更加稳健。
假设我的输入向量是四维的。输入值为1,1,1,1。如果我的权重矩阵有1，00或0.25 0.25 0.25值，输出可以是1。L2范数给出后权矩阵(因为pow(1，2) > 4*pow(0.25,2) )。我直觉地理解为什么l2正则化在这里是有益的。
但在线性回归的情况下，l2正则化降低了坡度。为什么减少坡度只提供更好的性能，增加坡度也是一种选择？
浏览 0提问于2020-07-26得票数 2
1回答
据我所知，机器学习环境中的损失函数通常是两个变量的函数:预测和地面真相。是否有一种不依赖于地面真理的损失函数？举个简单的例子，如果我预测一个实值变量，我可以用一个均方误差作为损失函数。但如果我知道，基于物理的理由，输出描述了一些正的数量，我可以定义一个改进的自定义损失函数，主要是MSE，但可能有一个额外的术语，惩罚每次作出负预测。这个额外的术语不需要考虑到地面真相的价值。这种想法流行吗？它有什么名字吗？
浏览 3提问于2022-06-14得票数 -1
1回答
在tensorflow的示例中，它对完全连接的参数使用了L2正则化。
regularizers = (tf.nn.l2_loss(fc1_weights) + tf.nn.l2_loss(fc1_biases) +
tf.nn.l2_loss(fc2_weights) + tf.nn.l2_loss(fc2_biases))
那是什么？为什么这里使用完全连接的参数？以及它是如何改善表演的？
浏览 1提问于2016-07-08得票数 1
回答已采纳
2回答
我正在用tensorflow训练以下NN：
def build_model():
inputs_layers = []
concat_layers= []
for k in range(k_i, k_f+1):
kmers = train_datasets[k].shape[1]
unique_kmers = train_datasets[k].shape[2]
input = Input(shape=(kmers, unique_kmers))
inputs_layers.append(input)
x = Dense(4, activ
浏览 6提问于2022-02-21得票数 0
1回答
我使用Caffe CNN进行回归(见下图)。
我想预测的数值有很大的不同，例如y1=0.1:0.2，y2=1:5，..。yn=0:15。
Q1：如果我试图预测'y's，会不会破坏学习?如果是，为什么？(我已经做了这个实验，结果还好，但不好)
Q2：我可以通过求和(Ys)=1来设置'y's =0:1吗？
Q3：我可以使用其他的损失函数吗?例如Softmax或Logistic，还是欧几里德是我唯一的选择？
浏览 0提问于2018-05-08得票数 1
回答已采纳
1回答
我想知道有没有人能帮我。我是TensorFlow.js (JavaScript版)的新手。我已经构建了一个神经网络，并希望在成本函数(损失函数)中添加一个正则化项。 我可以在JavaScript应用程序接口文档中看到正则化程序，但不知道如何使用它们。这些层可以有某种与之相关的正则化函数，但是代价函数没有在这些层中定义，所以我不认为这是我正在寻找的。 我看了一下GitHub上的源代码。我发现了一些提到正规化的开放门票。我还找到了一个正则化函数，它将L2或L1范数应用于向量。我可以尝试使用正则化函数来编写一个增加成本函数的函数，但当函数已经存在时，我不想做太多的工作。python版本的Tenso
浏览 10提问于2019-03-21得票数 0
回答已采纳
我正在使用EfficientDet模型动物园训练一个V7模型，并在TensorBoard中提供了以下输出：
这很好，你可以看到，我的分类和本地化损失正在下降到较低的水平(如果这是一个单独的问题，我会担心稍后会出现过度拟合)--但调整损失仍然很高，这使我的总损失保持在相当高的水平。我似乎找不到一个明确的解释(对于一个新手)，我所看到的常态化损失(在这种情况下它代表什么)和( b)为什么它可能这么高的建议。
浏览 3提问于2021-02-10得票数 1
回答已采纳
我在CPU上运行相同的代码(使用相同的数据)，首先使用keras 1.2.0，然后使用keras 2.0.3在这两个代码中，keras使用TensorFlow后端，我还使用sklearn进行模型选择，外加pandas读取数据。
当我在使用keras 2.0.3和使用keras 1.2.0时得到42和21的MSE(均方误差)时，我感到很惊讶。有没有人能给我解释一下为什么会这样？为什么我在使用keras 2时会遇到更多的错误？谢谢
PS。这个结果是在将代码编辑为keras2标准之后得到的。例如，在Dense中，我将keras1代码更改为keras2标准。
浏览 3提问于2017-04-26得票数 4
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
