标准化 Keras 二元和分类交叉熵损失值

如何解决标准化 Keras 二元和分类交叉熵损失值

我正在使用遗传算法实现来尝试发现 CNN 的最佳模型结构。我正在使用带有 Tensorflow 后端的 Keras 来构建模型，我正在尝试优化两个值：验证损失和模型的大小。

我使用了由 model.fit 函数返回的历史记录中存储的最佳验证损失，并且为了获得模型相对大小的近似值，我使用了模型中可训练参数的数量。

但是，我需要将这些值放在一个可比较的范围内，这样一个值就不会在组合适应度值中大大超过另一个。此外，我需要保持较小值更适合的约定。

在进一步讨论之前，我应该说，对于我的损失函数，当真实值被编码为单个值时，我使用 Keras 的二元交叉熵（在密集层之前使用 sigmoid 激活），并且我使用当真值是 one-hot 编码时，Keras 的分类交叉熵（使用 softmax 激活）。

对于可训练参数的数量，我目前使用 1.0-(1.0/num_parameters)。老实说，这可能也不是最好的，如果有人有更好的扩展方式的建议，我很乐意听到。

对于验证损失，我最初打算使用原始值。但后来我发现验证损失可能大于 1，这与缩放的可比性混淆。

我想知道将这些值转换为可比较的比例的最佳方法是什么。