compile函数
def compile(self, optimizer,
loss=None,
metrics=None,
loss_weights=None,
sample_weight_mode=None,
weighted_metrics=None,
target_tensors=None,
**kwargs
参数
optimizer:String(优化器名称)或优化器实例。请参阅[optimizers](/ optimizers)。
loss:String(目标函数的名称)或目标函数。
见losses。如果模型具有多个输出,则可以使用不同的损失通过传递字典或损失列表在每个输出上。模型将最小化的损失值那将是所有个人损失的总和。
metrics:模型要评估的度量标准列表在培训和测试期间。通常你会使用metrics = ['accuracy']
。为a的不同输出指定不同的度量多输出模型,你也可以传递字典,例如metrics= {'output_a':'accuracy'}
。
loss_weights:指定标量的可选列表或字典系数(Python浮动)来加权损失贡献不同的模型输出。模型将最小化的损失值那么将是所有个人损失的加权和, 由loss_weights
系数加权。 如果是列表,则预计会有1:1的映射到模型的输出。如果是张量,则预计会映射输出名称(字符串)到标量系数。
sample_weight_mode:如果你需要做时间步骤样本加权(2D权重),将其设置为“”temporal“”。None
默认为样本权重(1D)。如果模型有多个输出,则可以使用不同的输出通过传递一个每个输出的sample_weight_mode
字典或模式列表。
weighted_metrics:要评估和加权的指标列表在训练和测试期间通过sample_weight或class_weight。
target_tensors:默认情况下,Keras将为其创建占位符模型的目标,将在期间提供目标数据训练。相反,如果您想使用自己的目标张量(反过来,Keras不会期望外部
你可以在训练时获得这些目标的Numpy数据可以通过target_tensors
参数指定它们。有可能单个张量(对于单输出模型),张量列表,或者将输出名称映射到目标张量的字典。
**** kwargs**:当使用Theano / CNTK后端时,这些论点被传递到K.function
。使用TensorFlow后端时,这些参数传递给tf.Session.run
。
fit函数
fit(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)