模型训练
fit()
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)
x=None
: 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=None
: 训练数据label标签的 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=None
: 整数或 None。每次梯度更新的样本数。如果未指定,默认为 32。epochs=1
: 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,训练了epochs-initial_epochs轮。verbose=1
: 0, 1 或 2。日志显示模式。 0 = 安静模式,不在标准输出流输出日志信息; 1 = 进度条,输出进度条记录; 2 = 每轮一行,为每个epoch输出一行记录。callbacks=None
:list,list中的元素为keras.callbacks.Callback实例,在训练过程中会调用list中的回调函数。validation_split=0
: 0和1之间的浮点数,用作验证集的训练数据的比例。将训练集中的一部分比例作为验证集,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。validation_data=None
: 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=True
: 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=None
: 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:分类问题的时候,有的类别可能需要额外关注,分错的时候给的惩罚会比较大,所以权重会调高。sample_weight=None
: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=0
: 整数。如果之前做了训练,则可以从指定的epoch开始训练。steps_per_epoch=None
: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),即将一个epoch分为多少个steps,也就是划分一个batch_size多大,不能和batch_size共同使用。 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=None
: 当steps_per_epoch被启用的时候才有用,验证集的batch_size。**kwargs
:用于和后端交互。
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)。
fit_generator()
- 使用 Python 生成器(或 Sequence 实例)逐批生成的数据,按批次训练模型。
- 生成器与模型并行运行,以提高效率。 例如,这可以让你在 CPU 上对图像进行实时数据增强,以在 GPU 上训练模型。
fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None,
validation_data=None, validation_steps=None, class_weight=None,
max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True,
initial_epoch=0)
-
generator
: 一个生成器,或者一个 Sequence (keras.utils.Sequence) 对象的实例, 以在使用多进程时避免数据的重复。 生成器的输出应该为以下之一:- 一个 (inputs, targets) 元组
- 一个 (inputs, targets, sample_weights) 元组。
这个元组(生成器的单个输出)组成了单个的 batch。 因此,这个元组中的所有数组长度必须相同(与这一个 batch 的大小相等)。 不同的 batch 可能大小不同。 例如,一个 epoch 的最后一个 batch 往往比其他 batch 要小, 如果数据集的尺寸不能被 batch size 整除, 生成器将无限地在数据集上循环。当运行到第 steps_per_epoch 时,记一个 epoch 结束。
-
steps_per_epoch
: 在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数(批次样本)。 它通常应该等于你的数据集的样本数量除以批量大小。 对于 Sequence,它是可选的:如果未指定,将使用len(generator) 作为步数。 -
epochs
:整数。训练模型的迭代总轮数。一个 epoch 是对所提供的整个数据的一轮迭代,如 steps_per_epoch 所定义。注意,与 initial_epoch 一起使用,epoch 应被理解为最后一轮。模型没有经历由 epochs 给出的多次迭代的训练,而仅仅是直到达到索引 epoch 的轮次。 -
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
: keras.callbacks.Callback 实例的列表。在训练时调用的一系列回调函数。 -
validation_data
: 它可以是以下之一:- 验证数据的生成器或 Sequence 实例
- 一个 (inputs, targets) 元组
- 一个 (inputs, targets, sample_weights) 元组。
在每个 epoch 结束时评估损失和任何模型指标。该模型不会对此数据进行训练。
-
validation_steps
: 仅当 validation_data 是一个生成器时才可用。 在停止前 generator 生成的总步数(样本批数)。 对于 Sequence,它是可选的:如果未指定,将使用 len(generator) 作为步数。 -
class_weight
: 可选的将类索引(整数)映射到权重(浮点)值的字典,用于加权损失函数(仅在训练期间)。 这可以用来告诉模型更多地关注来自代表性不足的类的样本。 -
max_queue_size
: 整数。生成器队列的最大尺寸。 如未指定,max_queue_size 将默认为 10。 -
workers
: 整数。使用的最大进程数量,如果使用基于进程的多线程。 如未指定,workers 将默认为 1。如果为 0,将在主线程上执行生成器。 -
use_multiprocessing
: 布尔值。如果 True,则使用基于进程的多线程。 如未指定, use_multiprocessing 将默认为 False。 请注意,由于此实现依赖于多进程,所以不应将不可传递的参数传递给生成器,因为它们不能被轻易地传递给子进程。 -
shuffle
: 是否在每轮迭代之前打乱 batch 的顺序。 只能与 Sequence (keras.utils.Sequence) 实例同用。 -
initial_epoch
: 开始训练的轮次(有助于恢复之前的训练)。
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)。
1. generator:Python生成器
def generate_arrays_from_file(path):
while True:
with open(path) as f:
for line in f:
# 从文件中的每一行生成输入数据和标签的 numpy 数组,
x1, x2, y = process_line(line)
yield ({'input_1': x1, 'input_2': x2}, {'output': y})
f.close()
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
steps_per_epoch=10000, epochs=10)
先用一个函数generate_arrays_from_file作为一个生成器,这个生成器可以一点点地在目录文件夹里抓数据,然后包装数据喂给模型。缺点是不太方便设置batch_size。
2. 生成器:keras Sequence实例
#coding=utf-8
import keras
import math
import os
import cv2
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
class DataGenerator(keras.utils.Sequence):
def __init__(self, datas, batch_size=1, shuffle=True):
self.batch_size = batch_size
self.datas = datas
self.indexes = np.arange(len(self.datas))
self.shuffle = shuffle
def __len__(self):
#计算每一个epoch的迭代次数
return math.ceil(len(self.datas) / float(self.batch_size))
def __getitem__(self, index):
#生成每个batch数据,这里就根据自己对数据的读取方式进行发挥了
# 生成batch_size个索引
batch_indexs = self.indexes[index*self.batch_size:(index+1)*self.batch_size]
# 根据索引获取datas集合中的数据
batch_datas = [self.datas[k] for k in batch_indexs]
# 生成数据
X, y = self.data_generation(batch_datas)
return X, y
def on_epoch_end(self):
#在每一次epoch结束是否需要进行一次随机,重新随机一下index
if self.shuffle == True:
np.random.shuffle(self.indexes)
def data_generation(self, batch_datas):
images = []
labels = []
# 生成数据
for i, data in enumerate(batch_datas):
#x_train数据
image = cv2.imread(data)
image = list(image)
images.append(image)
#y_train数据
right = data.rfind("\\",0)
left = data.rfind("\\",0,right)+1
class_name = data[left:right]
if class_name=="dog":
labels.append([0,1])
else:
labels.append([1,0])
#如果为多输出模型,Y的格式要变一下,外层list格式包裹numpy格式是list[numpy_out1,numpy_out2,numpy_out3]
return np.array(images), np.array(labels)
# 读取样本名称,然后根据样本名称去读取数据
class_num = 0
train_datas = []
for file in os.listdir("D:/xxx"):
file_path = os.path.join("D:/xxx", file)
if os.path.isdir(file_path):
class_num = class_num + 1
for sub_file in os.listdir(file_path):
train_datas.append(os.path.join(file_path, sub_file))
# 数据生成器
training_generator = DataGenerator(train_datas)
#构建网络
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=784))
model.add(Dense(units=2, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
model.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit_generator(training_generator, epochs=50,max_queue_size=10,workers=1)
-
新建一个基于Sequence的子类,比如MnistSequence,子类必须继承
__getitem__
和__len__
这两个类方法,因为这两个类方法是fit_generator读取数据的接口。 -
实例化新建子类,再输入到fit_generator中。
-
用Sequence子类可以实现将数据整理成数据序列,排序喂入模型。可以继续在子类里添加读取文件夹的函数分批次获取数据,然后可以实现如python生成器一样的效果。同时,还可以添加任意预处理函数。
预测
predict()
为输入样本生成输出预测,计算是分批进行的。
predict(x, batch_size=None, verbose=0, steps=None)
x
: 输入数据,Numpy 数组 (或者 Numpy 数组的列表,如果模型有多个输出)。batch_size
: 整数。如未指定,默认为 32。verbose
: 日志显示模式,0 或 1。steps
: 声明预测结束之前的总步数(批次样本)。默认值 None。
返回
预测的 Numpy 数组(或数组列表)。
predict_generator()
为来自数据生成器的输入样本生成预测。
predict_generator(generator, steps=None, max_queue_size=10, workers=1,
use_multiprocessing=False, verbose=0)
generator
: 生成器,返回批量输入样本, 或一个 Sequence (keras.utils.Sequence) 对象的实例,以避免在使用多进程时数据的重复。steps
: 在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数(批次样本)。 它通常应该等于你的数据集的样本数量除以批量大小。 对于 Sequence,它是可选的:如果未指定,将使用len(generator) 作为步数。max_queue_size
: 生成器队列的最大尺寸。workers
: 整数。使用的最大进程数量,如果使用基于进程的多线程。 如未指定,workers 将默认为 1。如果为 0,将在主线程上执行生成器。use_multiprocessing
: 如果 True,则使用基于进程的多线程。 请注意,由于此实现依赖于多进程,所以不应将不可传递的参数传递给生成器,因为它们不能被轻易地传递给子进程。verbose
: 日志显示模式,0 或 1。
返回
预测值的 Numpy 数组(或数组列表)。
Keras中文文档
keras数据自动生成器,继承keras.utils.Sequence,结合fit_generator实现节约内存训练
Keras中的fit和fit_generator