Keras文档系列
Keras笔记(三):目标函数objectives /loss
目录
3. utils.to_categorical() :将多个类别标签转化为one-hot向量
5.1. merge层:将多个Sequential合并到一个输出
8. evaluate :Score trained model.
12.test_on_batch :在一个batch上评估模型
13.predict_on_batch;在一个batch上测试模型
导入模块
import keras
from keras.datasets import cifar10
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.utils.np_utils import to_categorical
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.callbacks import ModelCheckpoint
import os
1. ModelCheckpoint :模型保存
语法:
keras.callbacks.ModelCheckpoint(filepath,monitor='val_loss',verbose=0,save_best_only=False, save_weights_only=False, mode='auto', period=1)
参数说明:
filepath:字符串,保存模型的路径
monitor:需要监视的值
verbose:信息展示模式,0或1 (checkpoint的保存信息,类似Epoch 00001: saving model to ...)
save_best_only:当设置为True时,监测值有改进时才会保存当前的模型( 根据monitor值的量,最近的最佳模型不会被覆盖)
save_weights_only:若设置为True,则只保存模型权重,否则将保存整个模型(包括模型结构,配置信息等)
mode:‘auto’,‘min’,‘max’之一,在save_best_only=True时决定性能最佳模型的评判准则,例如,当监测值为val_acc时,模式应为max,当监测值为val_loss时,模式应为min。在auto模式下,评价准则由被监测值的名字自动推断。
period:CheckPoint之间的间隔的epoch数。
2. os.path.join() :合并目录
语法: os.path.join(path1[,path2[,......]])
返回值:将多个路径组合连接后返回
(注:第一个绝对路径之前的参数将被忽略)
os.path.join(save_dir, filepath) #返回文件的保存路径,但不能生成连接后路径下的文件
# Save model and weights
if not os.path.isdir(save_dir):
os.makedirs(save_dir)
model_path = os.path.join(save_dir, model_name)
model.save(model_path)
print('Saved trained model at %s ' % model_path)
2.1. join():连接字符串数组
将字符串、元组、列表中的元素以指定的字符(分隔符)连接生成一个新的字符串
语法:‘sep’.join(seq)
#以sep作为分隔符,将seq所有的元素合并成一个新的字符串
参数说明:
sep:分隔符;可以为空
seq:要连接的元素序列、字符串、元组、字典等
主要知识点: 列表解析知识(以及元组知识) ; range,xrange,join函数的使用; 字符串格式化输出
#method1
print '\n'.join([' '.join(['%s*%s=%-2s' % (y,x,x*y) for y in range(1,x+1)]) for x in range(1,10)])
#method2
#xrange是python2中的函数,相当于python3的range
#coding:utf-8
print('\n'.join([' '.join('%sx%s=%-2s'%(x,y,x*y) for x in xrange(1,y+1)) for y in xrange(1,10)]))
3. utils.to_categorical() :将多个类别标签转化为one-hot向量
#将多分类问题标签将整数转化为二值数(one-hot向量),比如10分类问题标签2转化为0010000000
labels = np.random.randint(10, size=(1000, 1))
labels = to_categorical(labels, 10)
4. model.add():建立模型
建立模型有两种方式:
(1)向layer添加list的方式,
(2)通过.add()方式一层层地添加(一个add为一层)
#向layer添加list方式
model = Sequential([Dense(32,input_dim=784),Activation('relu'),Dense(10),Activation('softmax'),])
#通过.add()方式
model = Sequential() model.add(Dense(32, input_dim=784)) model.add(Activation('relu'))
5.Sequential(): 多个网络层的线性堆叠
#以下三种输入是等价的
model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, batch_input_shape=(None, 784)))
model = Sequential()
model.add(Dense(32, input_dim=784))
Sequential只需在第一层需接受一个关于输入数据shape的参数,后面的各个层则可自动推导出中间数据的shape。 参数说明:
#input_shape: 为tuple类型或None,如果填入None则表示此位置可能是任何正整数,数据的batch大小不应包含在其中。
#batch_input_shape: 包含数据的batch大小,可用于固定batch的大小。
5.1. merge层:将多个Sequential合并到一个输出
Merge层支持的的合并模式包括:
sum(defualt):逐元素相加
concat:张量串联,可以通过提供concat_axis的关键字参数指定按照哪个轴进行串联
mul:逐元素相乘
ave:张量平均
dot:张量相乘,可以通过dot_axis关键字参数来指定要消去的轴
cos:计算2D张量(即矩阵)中各个向量的余弦距离
from keras.layers import Merge
merged = Merge([left_branch, right_branch], mode='concat')
#也可以为Merge层提供关键字参数mode,以实现任意的变换
merged = Merge([left_branch, right_branch], mode=lambda x: x[0] - x[1])
6.compile()编译:配置学习过程
在训练模型之前,需要通过compile来对学习过程进行配置。
语法:compile(self, optimizer, loss, metrics=[ ], sample_weight_mode=None)
compile的三个参数:
#optimizer优化器:已预定义的优化器名(字符串),如rmsprop、adagrad或一个Optimizer类的对象
#loss损失函数:最小化的目标函数,为categorical_crossentropy、mse等损失函数,或者是字符串(预定义损失函数名)。
#metrics指标列表:包含评估模型在训练和测试时的网络性能的指标,返回单个张量,或一个完成metric_name - > metric_value映射的字典。分类问题为metrics=['accuracy'];指标可以是一个预定义指标或用户定制的函数。
#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)。
#kwargs:使用TensorFlow作为后端请忽略该参数,若使用Theano作为后端,kwargs的值将会传递给 K.function
# 多分类问题
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
# 二分类问题
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
#均方误差回归问题
model.compile(optimizer='rmsprop', loss='mse')
#初始化优化器参数
opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)
7. fit()训练模型
编译完后要训练模型,
语法:
fit(self, x, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0,
validation_data=None, shuffle=True, class_weight=None, sample_weight=None)
model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test),
shuffle=True, callbacks=[checkpoint]))
参数说明:
#x:输入数据;模型只有一个输入时x的类型是numpy array,模型多个输入时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:指定进行梯度下降时每个batch包含的样本数。
#nb_epoch:训练的轮数。
#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
#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。 #validation_split:0~1的浮点数,将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。
#validation_data:形如(X,y)的tuple,是指定的验证集。此参数将覆盖validation_spilt。
#shuffle:布尔值或字符串,一般为布尔值,表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”,则是用来处理HDF5数据的特殊情况,它将在batch内部将数据打乱。
#class_weight:字典,将不同的类别映射为不同的权值,该参数用来在训练过程中调整损失函数(只能用于训练)。
#sample_weight:权值的numpy array,用于在训练时调整损失函数(仅用于训练)。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权,或者在面对时序数据时,传递一个的形式为(samples,sequence_length)的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。 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
8. evaluate :Score trained model.
语法: evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)
evaluate函数按batch计算在某些输入数据上模型的误差,返回一个测试误差的标量值(如果模型没有其他评价指标),或一个标量的list(如果模型还有其他的评价指标)其参数有:
#x:输入数据,是numpy array或numpy array的list
#y:标签,numpy array
#batch_size:整数,含义同fit的同名参数
#verbose:含义同fit的同名参数,但只能取0或1
#sample_weight:numpy array,含义同fit的同名参数
model.metrics_names将给出list中各个值的含义
9.predict_classes :类别预测结果
语法:predict_classes(self, x, batch_size=32, verbose=1)
按batch产生输入数据的类别预测结果,函数的返回值是类别预测结果的numpy array或numpy
10. predict_proba:样本属于各个类别的概率
语法:predict_proba(self, x, batch_size=32, verbose=1)
按batch产生输入数据属于各个类别的概率,函数的返回值是类别概率的numpy array
11. train_on_batch :参数更新
语法:train_on_batch(self, x, y, class_weight=None, sample_weight=None)
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。
12.test_on_batch :在一个batch上评估模型
语法:test_on_batch(self, x, y, sample_weight=None)
在一个batch的样本上对模型进行评估,函数的返回与evaluate的情形相同
13.predict_on_batch;在一个batch上测试模型
语法:predict_on_batch(self, x)
在一个batch的样本上对模型进行测试,函数返回模型在一个batch上的预测结果
14. fit_generator
语法:fit_generator(self, generator, samples_per_epoch, nb_epoch, verbose=1, callbacks=[], validation_data=None, nb_val_samples=None, class_weight=None, max_q_size=10)
参数说明:
#generator:生成器函数,生成器的输出应该为:一个形如(inputs,targets)或(inputs, targets,sample_weight)的tuple。所有的返回值都应该包含相同数目的样本。生成器将无限在数据集上循环。每个epoch以经过模型的样本数达到samples_per_epoch时,记一个epoch结束
#samples_per_epoch:整数,当模型处理的样本达到此数目时计一个epoch结束,执行下一个epoch
#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
#validation_data具有三种形式:(1)生成验证集的生成器 2)一个形如(inputs,targets)的tuple 3) 一个形如(inputs,targets,sample_weights)的tuple
#nb_val_samples:仅当validation_data是生成器时使用,用以限制在每个epoch结束时用来验证模型的验证集样本数,功能类似于samples_per_epoch
#max_q_size:生成器队列的最大容量 函数返回一个History对象 。
15.evaluate_generator
语法:evaluate_generator(self, generator, val_samples, max_q_size=10)
使用一个生成器作为数据源评估模型,生成器应返回与test_on_batch的输入数据相同类型的数据。该函数的参数与fit_generator同名参数含义相同。
Keras文档系列
Keras笔记(三):目标函数objectives /loss
参考
【1】keras中文文档