Keras-Sequential模型（2）

最新推荐文章于 2024-06-21 16:20:14 发布

尚小馨

最新推荐文章于 2024-06-21 16:20:14 发布

阅读量4.2k

点赞数 2

分类专栏： Theano&Keras 文章标签： Keras Sequential 深度学习

本文链接：https://blog.csdn.net/u011437229/article/details/53487620

版权

这篇博客详细介绍了Keras的Sequential模型的使用方法，包括compile、fit和evaluate三个主要步骤。compile用于配置模型的学习过程，涉及optimizer、loss和metrics等参数。fit函数用于训练模型，参数包括输入数据x、标签y、批次大小batch_size和训练轮数nb_epoch等。evaluate函数则用于计算模型在特定输入数据上的误差，同时支持样本权重。

摘要由CSDN通过智能技术生成

重点介绍Sequential模型方法

compile

compile(self, optimizer, loss, metrics=[], sample_weight_mode=None, **kwargs)

编译用来配置模型的学习过程，其参数有：

optimizer: str (name of optimizer) or optimizer object.

optimizer:字符串（预定义优化器名）或优化器对象，参考优化器
loss: str (name of objective function) or objective function.

loss:字符串（预定义损失函数名）或目标函数
metrics: list of metrics to be evaluated by the model.during training and testing.Typically you will use “metrics=[‘accuracy’] “.

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’]
sample_weight_mode: if you need to do timestep-wise.sample weighting (2D weights), set this to “temporal”.”None” defaults to sample-wise weights (1D).

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: for Theano backend, these are passed into K.function.

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
examp