Keras序列模型学习

Posted bluebluesea

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Keras序列模型学习相关的知识,希望对你有一定的参考价值。

转自:https://keras.io/zh/getting-started/sequential-model-guide/

1.顺序模型是多个网络层的线性堆叠。

你可以通过将网络层实例的列表传递给 Sequential 的构造器,来创建一个 Sequential 模型:

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation(relu),
    Dense(10),
    Activation(softmax),
])
或使用add添加
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation(relu))

 然后发现,这样也行:

mo=Sequential([Dense(32,input_dim=784,activation="relu"),Dense(5,activation="softmax")])

 

 //Dense就是有单元数、输入维度(只在第一层的时候有,之后会自动计算)。

 指定输入尺寸:

  • 传递一个 input_shape 参数给第一层。它是一个表示尺寸的元组 (一个整数或 None 的元组,其中 None 表示可能为任何正整数)。在 input_shape 中不包含数据的 batch 大小。

 

 

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
等价于
model = Sequential()
model.add(Dense(32, input_dim=784))

 

//这个input_dim应该是一个隐藏参数。

2.模型编译

# try using different optimizers and different optimizer configs
model.compile(adam, binary_crossentropy, metrics=[accuracy])

 

  • 优化器 optimizer。它可以是现有优化器的字符串标识符,如 rmsprop 或 adagrad,也可以是 Optimizer 类的实例。详见:optimizers
  • 损失函数 loss,模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符,如 categorical_crossentropy 或 mse,也可以是一个目标函数。详见:losses
  • 评估标准 metrics。对于任何分类问题,你都希望将其设置为 metrics = [‘accuracy‘]。评估标准可以是现有的标准的字符串标识符,也可以是自定义的评估标准函数。
# 多分类问题
model.compile(optimizer=rmsprop,
              loss=categorical_crossentropy,
              metrics=[accuracy])

# 二分类问题
model.compile(optimizer=rmsprop,
              loss=binary_crossentropy,
              metrics=[accuracy])

# 均方误差回归问题
model.compile(optimizer=rmsprop,
              loss=mse)

# 自定义评估标准函数
import keras.backend as K

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer=rmsprop,
              loss=binary_crossentropy,
              metrics=[accuracy, mean_pred])

 

//上边这个给出的例子不错的。

3.模型训练

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, 
shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

 

以给定数量的轮次(数据集上的迭代)训练模型。

参数

  • x: 训练数据的 Numpy 数组(如果模型只有一个输入), 或者是 Numpy 数组的列表(如果模型有多个输入)。 如果模型中的输入层被命名,你也可以传递一个字典,将输入层名称映射到 Numpy 数组。 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,x 可以是 None(默认)。
  • y: 目标(标签)数据的 Numpy 数组(如果模型只有一个输出), 或者是 Numpy 数组的列表(如果模型有多个输出)。 如果模型中的输出层被命名,你也可以传递一个字典,将输出层名称映射到 Numpy 数组。 如果从本地框架张量馈送(例如 TensorFlow 数据张量)数据,y 可以是 None(默认)。
  • batch_size: 整数或 None。每次梯度更新的样本数。如果未指定,默认为 32。
  • epochs: 整数。训练模型迭代轮次。一个轮次是在整个 x 和 y 上的一轮迭代。 请注意,与 initial_epoch 一起,epochs 被理解为 「最终轮次」。模型并不是训练了 epochs 轮,而是到第 epochs 轮停止训练。
  • verbose: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
  • callbacks: 一系列的 keras.callbacks.Callback 实例。一系列可以在训练时使用的回调函数。 详见 callbacks
  • validation_split: 0 和 1 之间的浮点数。用作验证集的训练数据的比例。 模型将分出一部分不会被训练的验证数据,并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。 验证数据是混洗之前 x 和y 数据的最后一部分样本中。
  • validation_data: 元组 (x_val,y_val) 或元组 (x_val,y_val,val_sample_weights), 用来评估损失,以及在每轮结束时的任何模型度量指标。 模型将不会在这个数据上进行训练。这个参数会覆盖 validation_split
  • shuffle: 布尔值(是否在每轮迭代之前混洗数据)或者 字符串 (batch)。 batch 是处理 HDF5 数据限制的特殊选项,它对一个 batch 内部的数据进行混洗。 当 steps_per_epoch 非 None 时,这个参数无效。
  • class_weight: 可选的字典,用来映射类索引(整数)到权重(浮点)值,用于加权损失函数(仅在训练期间)。 这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本。
  • sample_weight: 训练样本的可选 Numpy 权重数组,用于对损失函数进行加权(仅在训练期间)。 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射), 或者在时序数据的情况下,可以传递尺寸为 (samples, sequence_length) 的 2D 数组,以对每个样本的每个时间步施加不同的权重。 在这种情况下,你应该确保在 compile() 中指定 sample_weight_mode="temporal"
  • initial_epoch: 整数。开始训练的轮次(有助于恢复之前的训练)。
  • steps_per_epoch: 整数或 None。 在声明一个轮次完成并开始下一个轮次之前的总步数(样品批次)。 使用 TensorFlow 数据张量等输入张量进行训练时,默认值 None 等于数据集中样本的数量除以 batch 的大小,如果无法确定,则为 1。
  • validation_steps: 只有在指定了 steps_per_epoch 时才有用。停止前要验证的总步数(批次样本)。
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=4,
          validation_data=[x_test, y_test])

 

返回

一个 History 对象。其 History.history 属性是连续 epoch 训练损失和评估值,以及验证集损失和评估值的记录(如果适用)。

4.模型测试

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)

在测试模式下返回模型的误差值和评估标准值。

计算是分批进行的。

  • batch_size: 整数或 None。每次评估的样本数。如果未指定,默认为 32。
  • steps: 整数或 None。 声明评估结束之前的总步数(批次样本)。默认值 None

返回

标量测试误差(如果模型只有一个输出且没有评估标准) 或标量列表(如果模型具有多个输出 和/或 评估指标)。 属性 model.metrics_names 将提供标量输出的显示标签。

predict(x, batch_size=None, verbose=0, steps=None)

 

返回

预测的 Numpy 数组(或数组列表)。

train_on_batch(x, y, sample_weight=None, class_weight=None)

 

运行一批样品的单次梯度更新。

返回

标量训练误差(如果模型只有一个输入且没有评估标准), 或者标量的列表(如果模型有多个输出 和/或 评估标准)。 属性 model.metrics_names 将提供标量输出的显示标签。

test_on_batch(x, y, sample_weight=None)

 

返回

标量测试误差(如果模型只有一个输入且没有评估标准), 或者标量的列表(如果模型有多个输出 和/或 评估标准)。 属性 model.metrics_names 将提供标量输出的显示标签。

predict_on_batch(x)

返回一批样本的模型预测值。

返回

预测值的 Numpy 数组(或数组列表)。

5.总之

官方文档里的内容是很全的,需要什么参数设置就可以了。

技术图片

 

以上是关于Keras序列模型学习的主要内容,如果未能解决你的问题,请参考以下文章

基于 Keras 用深度学习预测时间序列

教你搭建多变量时间序列预测模型LSTM(附代码数据集)

TF2 Keras (1): 用序列(Sequence )创建模型

如何将预测序列转换回keras中的文本?

深度学习与图神经网络核心技术实践应用高级研修班-Day2基于Keras的深度学习程序开发

keras.utils.Sequence:FileSequence生成文件序列流