https://blog.csdn.net/weixin_42499236/article/details/84623142
Keras大法(3)——使用Keras的一般流程
(一)基本流程
使用Keras的基本流程可以归纳如下:
导入Keras
定义模型
编译模型
训练模型
评估模型
保存模型
以下我们对上述流程依次进行讲解。
(二)流程示例
(1)导入Keras库
from tensorflow import keras
- 1
(2)定义模型
在定义模型时我们有两种选择,一是使用keras.models.Sequential()方法定义次序模型,这种方法定义的模型将会从头到尾依次执行,二是使用函数式API定义更加灵活的高级模型,在这一节里我们只介绍次序模型:
# 实例化一个次序模型
model = keras.models.Sequential()
# 使用model.add方法添加隐层
model.add(···)
model.add(···)
- 1
- 2
- 3
- 4
- 5
具体如何定义一个隐层,我们会在下节讲到
(3)编译模型
在我们定义完模型后,需要使用complie方法对其进行编译:
model.compile(loss = keras.losses.mean_squared_error,
optimizer= keras.optimizers.Adam(0.01),
metrics= ['accuracy'])
- 1
- 2
- 3
在编译操作中,我们需要定义模型使用的优化方法,损失函数,评估模型的指标等
(4)训练模型
我们使用model.fit()方法来训练模型,将训练数据的特征和标签导入:
model.fit(x_train, y_train, batch_size= 10, epochs = 5)
- 1
在这里可以指定批处理数、训练的世代数等参数
(5)评估模型
使用model.evaluate()方法来评估模型,如下所示:
model.evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
- 1
同样可以指定批处理数等参数
(6)保存模型
模型训练完成之后,我们使用model.save()方法来保存模型
model.save(/model.h5)
- 1
最终模型会被保存为h5格式的文件
(三)总 结
在这一节中我们对Keras的基本使用流程做了介绍,有任何的问题请在评论区留言,我会尽快回复,谢谢支持!