from keras.optimizers import sgd_experimental和from keras.optimizers import SGD作用一致吗

不完全一致。

`from keras.optimizers import sgd_experimental` 是一个实验性的随机梯度下降（SGD）优化器，它具有一些新的特性和参数，如 "momentum\_start" 和 "nesterov\_momentum"。它是为了尝试提高模型性能而添加的。

`from keras.optimizers import SGD` 是常规的 SGD 优化器，它也有一些参数，比如 "momentum" 和 "nesterov"，但没有实验性特性。

因此，如果你想使用实验性特性，你应该使用 `sgd_experimental`，否则你可以使用 `SGD`。

相关问题

from keras.optimizers import sgd_experimental怎么被调用

sgd_experimental是一个实验性的优化器，它并没有被正式纳入Keras的优化器列表中。因此，要使用sgd_experimental优化器，需要自己定义并实现该优化器。

以下是一个简单的示例代码，展示了如何定义并使用sgd_experimental优化器：

from keras.optimizers import Optimizer
import keras.backend as K

class SGDExperimental(Optimizer):
    def __init__(self, lr=0.01, momentum=0.0, decay=0.0, nesterov=False, **kwargs):
        super(SGDExperimental, self).__init__(**kwargs)
        self.lr = K.variable(lr)
        self.momentum = K.variable(momentum)
        self.decay = K.variable(decay)
        self.iterations = K.variable(0)
        self.nesterov = nesterov

    def get_updates(self, loss, params):
        grads = self.get_gradients(loss, params)
        self.updates = []

        lr = self.lr
        if self.decay > 0.0:
            lr = lr / (1.0 + self.decay * self.iterations)

        for p, g in zip(params, grads):
            v = self.momentum * p - lr * g
            if self.nesterov:
                v = self.momentum * v - lr * g
            new_p = p + v
            self.updates.append(K.update(p, new_p))
            self.updates.append(K.update(self.iterations, self.iterations + 1))
        return self.updates

# 使用sgd_experimental优化器
model.compile(optimizer=SGDExperimental(lr=0.01, momentum=0.9), loss='mse')

在这个例子中，我们继承了Keras中的Optimizer类，并实现了sgd_experimental优化器的核心逻辑。使用时，需要将该优化器传递给model.compile()函数即可。

但是我只能导入from keras.optimizers import这个功能里我只能导入sgd_experimental却不能导入SGD

### 回答1：
这可能是因为您的Keras版本过低。在旧版本的Keras中，优化器SGD被称为sgd_experimental。如果您想使用SGD优化器，请尝试将Keras升级到最新版本。如果您已经在使用最新版本的Keras，那么可能是您的安装出了问题，您可以尝试重新安装Keras。

### 回答2：
在导入Keras优化器模块时，你只能成功导入"from keras.optimizers.import sgd_experimental"这个功能，而无法导入"SGD"。这可能是因为你的Keras版本不支持或没有安装"SGD"这个优化器。

在早期的Keras版本中存在一个名为"sgd_experimental"的实验性随机梯度下降（Stochastic Gradient Descent，简称SGD）优化器。而在新版本的Keras中，"sgd_experimental"被废弃，并由"SGD"这个全局优化器所替代。

要解决这个问题，你可以尝试以下几个步骤：

1.确保你正在使用最新版本的Keras。你可以通过升级Keras来解决这个问题，从而获得"SGD"优化器的支持。

2.如果你已经使用了最新版本的Keras，但仍无法导入"SGD"优化器，那么可能是因为你没有正确安装Keras或相关依赖。你可以尝试重新安装Keras并确保所有依赖项都正确安装和配置。

3.如果以上方法依然无法解决问题，可能需要检查你的环境是否与Keras的要求兼容。有时，特定的操作系统或Python版本可能导致某些功能不可用。

总之，保持Keras和所有相关依赖项的最新版本是解决这个问题的最佳方法。此外，你还可以尝试与Keras社区交流，寻求更详细的解决方案。

### 回答3：
在Keras中，`keras.optimizers`模块提供了许多优化器的类。这些优化器用于配置模型训练时的参数更新方法，以最小化损失函数。其中一种优化器是SGD（随机梯度下降），它是一种常用的优化算法。

在从`keras.optimizers`模块中导入优化器类时，可以使用`from keras.optimizers import`语句。但是，需要注意的是，Keras中提供了不同版本的SGD优化器，其中一种叫做`sgd_experimental`。

在给定的问题中，您只能导入`sgd_experimental`，而不能导入`SGD`。这可能是由于您使用的Keras版本或Python环境的限制导致的。

`sgd_experimental`是SGD优化器的一个实验性版本，它可能包含了一些新的功能或改进。尽管它可能不是正式版本的SGD优化器，但您仍然可以使用它来进行模型训练，并尝试优化您的目标函数。

无论您使用哪个版本的SGD优化器，都可以通过调整优化器的超参数（如学习率、动量等）来优化您的模型训练过程。因此，即使不能直接导入`SGD`类，您仍然可以通过使用`sgd_experimental`来进行训练，并尝试不同的超参数组合以获得更好的结果。