Deep Learning avec Keras et TensorFlow

4.3 Personnaliser des modèles et entraîner des algorithmes

159

© Dunod – Toute reproduction non autorisée est un délit.

Cela dit, dans la plupart des cas, dénir une fonction pour un indicateur personna-

lisé revient au même que dénir une fonction de perte personnalisée. En réalité, nous

pouvons même utiliser la fonction de perte de Huber créée précédemment comme

indicateur

106

; cela fonctionnerait parfaitement et la persistance se ferait de la même

manière, dans ce cas en enregistrant uniquement le nom de la fonction, "huber_

fn" :

model.compile(loss="mse", optimizer="nadam", metrics=[create_huber(2.0)])

Pendant l’entraînement, Keras calculera cet ...