keras中Sequential模型及方法

Sequencial 序贯模型：

序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。

可以通过将层的列表传递给Sequential的构造函数，来创建一个Sequential模型。

from keras.models import Sequential
from keras.layers import Dense, Activation
 
model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

指定输入数据的尺寸

序贯模型中的第一层需要接收关于其输入尺寸的信息，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。

• 传递一个input_shape参数给第一层
• 某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸
• 某些 3D 时序层支持 input_dim 和 input_length 参数
• 如果你需要为你的输入指定一个固定的 batch 大小，可以传递一个 batch_size 参数给一个层

编译

在训练模型之前，我们需要配置学习过程，通过compile方法完成的，接收三个参数：

• 优化器 optimizer：可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是 Optimizer 类的实例
• 损失函数 loss：模型试图最小化的目标函数。可以是现有损失函数的字符串标识符，如 mse，也可以是目标函数
• 评估标准 metrics：对于任何分类问题，你都希望设置为 metrics = ['accuracy']。可以是现有的标准，也可以是自定义函数

训练

Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练。为了训练一个模型，通常使用 fit 函数。

Sequential模型方法

1 compile

compile(self, optimizer, loss=None, metrics=None, loss_weights=None,
 sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

1.1 参数

• optimizer: 字符串（优化器名）或者优化器对象。
• loss: 字符串（目标函数名）或目标函数。 
• metrics: 在训练和测试期间的模型评估标准。
• sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。 默认为 None，为采样权重（1D）。如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
• weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
• target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。
• **kwargs: 当使用 Theano/CNTK 后端时，这些参数被传入 K.function。当使用 TensorFlow 后端时，这些参数被传递到 tf.Session.run。

1.2 异常

ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。

2 fit

2.1 参数

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

• x: 训练数据的 Numpy 数组。
• y: 目标（标签）数据的 Numpy 数组。
• batch_size: 每次提度更新的样本数。
• epochs: 训练模型迭代轮次。
• verbose: 日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
• callbacks: 一系列可以在训练时使用的回调函数。
• validation_split: 在 0 和 1 之间浮动。用作验证集的训练数据的比例。
• validation_data: 元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)，用来评估损失。
• shuffle: 布尔值（是否在每轮迭代之前混洗数据）或者 字符串 (batch)。
• class_weight: 可选的字典，用来映射类索引（整数）到权重（浮点）值，用于加权损失函数（仅在训练期间）。
• sample_weight: 训练样本的可选 Numpy 权重数组，用于对损失函数进行加权。
• initial_epoch: 开始训练的轮次。
• steps_per_epoch: 在声明一个轮次完成并开始下一个轮次之前的总步数。
• validation_steps: 只有在指定了 steps_per_epoch时才有用。停止前要验证的总步数（批次样本）。

2.2  返回

一个 History 对象。其 History.history 属性是连续 epoch 训练损失和评估值，以及验证集损失和评估值的记录（如果适用）。

2.3  异常

• RuntimeError: 模型从未编译
• ValueError: 提供的输入数据与模型期望的不匹配的情况

3 evaluate

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

在测试模式，返回误差值和评估标准值。计算逐批次进行。

3.1  参数

• x: 输入数据，Numpy 数组或列表。 
• y: 标签，Numpy 数组。 
• batch_size: 每次梯度更新的样本数。
• verbose: 日志显示模式，0 或 1。
• sample_weight: 样本权重。
• steps:  声明评估结束之前的总步数（批次样本）。

3.2  返回

标量测试误差（如果模型没有评估指标）或标量列表（如果模型计算其他指标）。

4 predict

predict(self, x, batch_size=None, verbose=0, steps=None)

为输入样本生成输出预测。计算逐批次进行。

4.1 参数

• x: 输入数据，Numpy 数组。
• batch_size: 整数。如未指定，默认为 32。
• verbose: 日志显示模式，0 或 1。
• steps: 声明预测结束之前的总步数（批次样本）。默认值 None。

4.2 返回

预测的 Numpy 数组。

4.3  异常

• ValueError: 如果提供的输入数据与模型的期望数据不匹配，或者有状态模型收到的数量不是批量大小的倍数。