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:
-
model.summary()
:打印出模型概况,它实际调用的是keras.utils.print_summary -
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 -
model.get_layer()
:依据层名或下标获得层对象 -
model.get_weights()
:返回模型权重张量的列表,类型为numpy array -
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。 -
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: 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