Funciones de Pérdida

Keras-TensorFlow
juan

Nota: La función de pérdidas en Deep Learning es la que nos indica cuánto nos hemos equivocado con nuestras predicciones, una función de pérdida mide la discrepancia entre la predicción de un algoritmo de aprendizaje automático y la salida supervisada y representa el costo de equivocarse.

 

Funciones de Pérdida

. Las Funciones de Pérdida API–Keras es calcular la cantidad que se equivoca un Modelo, lo cual debería tratar de minimizar durante el entrenamiento. Todas las Pérdidas están disponibles tanto a través de un identificador de clase como a través de un identificador de función.

-. Los identificadores de clase permiten pasar argumentos de configuración al constructor, y realizan la reducción de forma predeterminada cuando se usan de forma independiente.

Tenemos Tres clases:

  • Pérdidas-Probabilísticas
  • Pérdidas de Regresión
  • Pérdidas de bisagra para la Clasificación de «margen máximo»

-. En este Modelo de API-Keras, usaremos compile() & fit(). Una Función de Pérdida es uno de los dos argumentos necesarios para compilar un modelo de Keras.

-. Empecemos por su configuración, realicemos un reseteo y carguemos las librerías.

Reseteo:

  • In: import tensorflow as tf
  • In: tf.keras.backend.clear_session()

Librerías:

  • In: import tensorflow as tf
  • In: from tensorflow import keras
  • In: from keras import layers

Llamar-Instancia:

  • In: model = keras.Sequential()
  • In: model.add(layers.Dense(64, kernel_initializer=‘uniform’, input_shape=(10,)))
  • In: model.add(layers.Activation(‘softmax’))

Usaremos compile() :

  • In: loss_fn = keras.losses.SparseCategoricalCrossentropy()
  • In: model.compile(loss=loss_fn, optimizer=‘adam’)

Usaremos compile() con identificador de cadena:

  • In: model.compile(loss=‘sparse_categorical_crossentropy’, optimizer=‘adam’)

  • Las Funciones-Pérdida se crean normalmente como una, “instancia” una clase de pérdida keras.losses.SparseCategoricalCrossentropy.
  • Todas las Pérdidas también se proporcionan como Identificadores de Funciones keras.losses.sparse_categorical_crossentropy.

Esto permite pasar argumentos de configuración en el momento de la instancia:

  • In: loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

 

Relación de Funciones de Pérdida disponibles:

  • pérdidas probabilísticas
  • Pérdidas de regresión
  • Pérdidas de bisagra para la clasificación de «margen máximo«

 

Recopilando:

Hemos visto el Funciones de Pérdida, calcular la cantidad que se equivoca un Modelo de API-Keras.

  • Referencias: (Entorno-Moreluz)
  • Referencias: (Keras)