5 序贯模型细节

　　Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。

　　两种模型的共同方法：

1. model.summary()：打印出模型概况，它实际调用的是keras.utils.print_summary

2. model.get_config():返回包含模型配置信息的Python字典。模型也可以从它的config信息中重构回去

3. model.get_layer()：依据层名或下标获得层对象

4. model.get_weights()：返回模型权重张量的列表，类型为numpy array

5. model.set_weights()：从numpy array里将权重载入给模型，要求数组具有与model.get_weights()相同的形状。

6. model.to_json：返回代表模型的JSON字符串，仅包含网络结构，不包含权值。可以从JSON字符串中重构原模型：

7. model.to_yaml：与model.to_json类似，同样可以从产生的YAML字符串中重构模型

　　常用Sequential方法：详细信息参见：https://keras-cn.readthedocs.io/en/latest/models/sequential/

　add(self, layer)
　pop(self)
　compile(self, optimizer, loss, metrics=None, sample_weight_mode=None) 

• optimizer：预定义优化器名或优化器对象

• loss：预定义损失函数名或目标函数

• metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=['accuracy']

• sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal”。默认为“None”，代表按样本赋权（1D权）。在下面fit函数的解释中有相关的参考内容

　　fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)

• x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array

• y：标签，numpy array

• batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。

• epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs - inital_epoch

  evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)

      predict(self, x, batch_size=32, verbose=0)

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

  test_on_batch(self, x, y, sample_weight=None)

  predict_on_batch(self, x)

　  生成器 : fit_generator、evaluate_generator、predict_generator

 

转载于:https://www.cnblogs.com/ailex/p/9593145.html