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。