1. 评价函数的用法

1. 评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics的参数来输入。

   model.compile(loss='mean_squared_error',              optimizer='sgd',              metrics=['mae', 'acc']) # 这就是评价函数，或者说评价指标# 或者是from keras import metricsmodel.compile(loss='mean_squared_error',              optimizer='sgd',              metrics=[metrics.mae, metrics.categorical_accuracy])

2. 评价函数和 相似，只不过评价函数的结果不会用于训练过程中。我们可以传递已有的评价函数名称，或者传递一个自定义的 Theano/TensorFlow 函数来使用（查阅）。

2. keras内置的评价函数

1. binary_accuracy (二分类的准确率)
2. categorical_accuracy (多分类的准确率)
3. sparse_categorical_accuracy
4. top_k_categorical_accuracy
5. sparse_top_k_categorical_accuracy

3. 自定义评价函数

• 自定义评价函数应该在编译的时候（compile）传递进去。该函数需要以 (y_true, y_pred) 作为输入参数，并返回一个张量作为输出结果。

  import keras.backend as Kdef mean_pred(y_true, y_pred):    return K.mean(y_pred)model.compile(optimizer='rmsprop',              loss='binary_crossentropy',              metrics=['accuracy', mean_pred])