Keras序列模型学习

Posted 2021-02-15 bluebluesea

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。