日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

tensorflow 2.0 画出model网络模型的拓扑图

tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint）

TensorBoard视觉化网络每层权重分布、视觉化网络层结构

MSE(均方误差)、MAE(平均绝对误差)

from_logits

CE(Cross-Entropy)、BCE(Binary Cross-Entropy 即Sigmoid+CE)、CCE(Categorical Cross-Entropy 即Softmax+CE)

对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理

损失函数loss、指标函数metrics

激活函数 Sigmoid、Tanh、ReLU、Softmax

Batch Normalization

反向传播、梯度下降、学习率、优化器optimizers（GD、SGD、Momentum、AdaGrad、Adam）

权重初始化对于激活函数的选择：随机常态分布/随机正态分布初始化(标准差为0.01或1)、Xavier(Glorot)初始化、He初始化

图像增强(IA)、数据预处理

混淆矩阵tf.math.confusion_matrix

使用预训练网络训练的两种方式：Keras Applications、TensorFlow Hub

MSE(均方误差)：np.mean(np.square(真实值y - 预测值y)) / np.mean(真实值y)tf.reduce_mean(tf.pow((真实值y - 预测值y), 2))tf.reduce_mean(tf.square(真实值y - 预测值y)) #square表示平方tf.reduce_mean(tf.square(tf.sub(真实值y, 预测值y)))计算百分比：np.mean(np.square(真实值y - 预测值y)) / (np.mean(真实值y) * 100) MAE(平均绝对误差)：np.mean(np.abs(真实值y - 预测值y)) / np.mean(真实值y)计算百分比：np.mean(np.abs(真实值y - 预测值y)) / np.mean(真实值y) * 1001.MSE和MAE都既可作为损失函数loss，也均可作为指标函数。先导入 from tensorflow import keras   损失函数loss：keras.losses.MeanSquaredError()keras.losses.MeanAbsoluteError()指标函数metrics：keras.metrics.MeanSquaredError()keras.metrics.MeanAbsoluteError()例子1：回归模型中的房屋价格预测示例中，在训练期间，比如可以MSE作为损失函数losses，MAE作为指标函数metrics。model.compile(keras.optimizers.Adam(0.001), loss=keras.losses.MeanSquaredError(), metrics=[keras.metrics.MeanAbsoluteError()])例子2：回归模型中的房屋价格预测示例中，在使用测试数据的预测阶段，同样可以使用MAE作为评价预测结果好坏的标准。np.mean(np.abs(真实价格y - 预测价格y)) / np.mean(真实价格y)对连续值/离散值进行预处理的两种方式（标准化/one-hot化）
1.连续值：比如0到18。
2.离散值：离散就是指不连续，比如计算机的随机出来的几个整数，得到的也是离散值，或者一个范围内的人的身高也是离散值。像整数集，它的每一元素之间都有一点的距离。离散值就是孤立的点集，像区间，它在每一点上都是连续的。所谓在某一点上连续，就是对于该点，无论给定一个多么小的正数，总能在定义域内找到一点，它的函数值到该点的函数值距离小于给定的数。
3.对连续值/离散值进行预处理的方式一标准化的方式：比如除以像素的最大值255，或者除以连续值中的最大值，或者求出mean平均值和std标准差，然后首先减去mean平均值然后再除以std标准差，均可归一化到比较小的区间范围之内。标准化的结果：归一化到0到1之间，或者-1到1之间。反标准化/逆标准化：首先乘以std标准差然后再加上mean平均值。
4.日期字符串预处理：比如把日期字符串切割成年、月、日这三个数值再放回到数据集中，然后把日期字符串从数据集中剔除。

MSE(均方误差)、MAE(平均绝对误差)相关推荐

均方误差越大越好_常用度量--MAE(平均绝对误差)和RMSE(均方根误差)
常用度量--MAE(平均绝对误差)和RMSE(均方根误差) 发布时间:2018-09-29 10:46, 浏览次数:3512 , 标签: MAE RMSE <>常用度量–MAE(平均绝对误 ...
评估指标——均方误差（MSE）、平均绝对误差（MAE）
在各种机器学习比赛中都会看到MSE和MAE这两个指标,算出指标的值越小,说明模型的效果越好,为了防止下次忘记,所以有必要mark一下. 1. MSE(Mean Squared Error) 均方误差 ...
MSE均方误差、RMSE均方根误差、MAE平均绝对误差、方差、SD标准差、协方差Covariance
均方误差MSE(Mean Square Error) MSE=1m∑i=1m(hi(x)−yi)2MSE = \frac{1}{m}\sum_{i=1}^m (h_i(x) - y_i)^2MSE=m ...
机器学习中的均方根误差、均方误差、平均绝对误差、L1、L2范数介绍
1.均方根误差RMSE RMSE:计算平方和的根,测量预测向量与目标值向量之间的距离,又称为欧几里得范数,L2范数 2.均方误差MSE 3.平均绝对误差MAE MAE:计算绝对值的总和,对应于L1范数 ...
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
目录前言 MSE RMSE MAPE SMAPE Python程序前言分类问题的评价指标是准确率,回归算法的评价指标是MSE,RMSE,MAE.测试数据集中的点,距离模型的平均距离越小,该模型越 ...
残差平方和（RSS）、均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、标准差（SD)
残差平方和(RSS) 统计学上把数据点与它在回归直线上相应位置的差异称为残差,把每个残差平方之后加起来称为残差平方和(相当于实际值与预测值之间差的平方之和).它表示随机误差的效应.一组数据的残差平方 ...
【机器学习】均方误差(MSE)和均方根误差(RMSE)和平均绝对误差(MAE)
MSE: Mean Squared Error 均方误差是指参数估计值与参数真值之差平方的期望值; MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度. RMS ...
【转载】MSE（均方误差）、RMSE （均方根误差）、MAE （平均绝对误差）- 机器学习 - 线性回归之模型评估
MSE(均方误差).RMSE (均方根误差).MAE (平均绝对误差) 1.MSE(均方误差)(Mean Square Error) MSE是真实值与预测值的差值的平方然后求和平均. 范围[0,+∞) ...
【图像重建指标 Metrics】均方误差RMSE及平均绝对误差MAE的定义和区别
在图像修复.图像提升和深度估计等任务中经常使用到一系列度量指标,除了常用的PSNR和SSIM外,RMSE和MAE能很好的反应图像的重建结果与真实结果间的差异. 1.均方误差RMSE 首先来看均方误差( ...

MSE(均方误差)、MAE(平均绝对误差)

日萌社

MSE(均方误差)、MAE(平均绝对误差)相关推荐

最新文章

热门文章