Keras文档学习04.序贯模型API与函数式模型API

关键词：
add、pop、compile、fit、evaluate、predict、test_on_betch、predict_on_batch、fit_generator
文档地址：
1.序贯模型文档所在地址
2.函数模型文档所在地址

---

一、序贯模型方法：

1.add(self,layer) 

作用：向模型中添加一个层（最基本的方法）

2.pop(self)   

作用：弹出模型最后的一层，无返回值

3.compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)   

作用：编译（具体参数介绍如下，一般常用的只需要手动指定前三个参数）
【1】optimizer：字符串（预定义优化器名）或优化器对象，参考优化器
【2】loss：字符串（预定义损失函数名）或目标函数，参考损失函数
【3】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’]
【4】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。
【5】weighted_metrics： metrics列表，在训练和测试过程中，这些metrics将由sample_weight或clss_weight计算并赋权
【6】target_tensors： 默认情况下，Keras将为模型的目标创建一个占位符，该占位符在训练过程中将被目标数据代替。如果你想使用自己的目标张量（相应的，Keras将不会在训练时期望为这些目标张量载入外部的numpy数据），你可以通过该参数手动指定。目标张量可以是一个单独的张量（对应于单输出模型），也可以是一个张量列表，或者一个name->tensor的张量字典。
【7】kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano/CNTK作为后端，kwargs的值将会传递给 K.function。如果使用TensorFlow为后端，这里的值会被传给tf.Session.run

4.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)

fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况
作用：训练模型 ，参数介绍如下：
【1】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
【2】y：标签，numpy array
【3】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。
【4】epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止
【5】verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
【6】callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
【7】validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
【8】validation_data
【9】class_weight
【10】sample_weight
【11】initial_epoch

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

作用：本函数按batch计算在某些输入数据上模型的误差

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

作用：本函数在一个batch的数据上进行一次参数更新。函数返回训练误差的标量值或标量值的list，与evaluate的情形相同。

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

作用：在一个batch的样本上对模型进行评估

8.predict_on_batch(self, x) 

作用：本函数在一个batch的样本上对模型进行测试

9.fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None,
  validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, 
  workers=1, pickle_safe=False, initial_epoch=0)

作用：利用Python的生成器，逐个生成数据的batch并进行训练。生成器与模型将并行执行以提高效率。
函数返回一个History对象

10.evaluate_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False)

作用：本函数使用一个生成器作为数据源评估模型

11.predict_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False,
   verbose=0)

作用：本函数使用一个生成器作为数据源预测模型

---

二、函数式模型方法

与序贯模型的API基本保持一致；