Tensorflow2.0中keras里面Sequential与Model模型

Tensorflow2.0中keras里面Sequential与Model模型

Sequential 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。

Sequential模型的基本组件，一般搭建模型有5个部分：
1、model.add，添加层；
2、model.compile,模型训练的BP模式设置；
3、model.fit，模型训练参数设置 + 训练；
4、模型评估
5、模型预测

1、model.add，添加层

方法一：使用model.add()一层，一层的添加

"""顺序模型：类似于搭积木一样一层、一层放上去"""
model = tf.keras.Sequential()

"""添加Dense层:其实就是 wx+b"""
model.add(tf.keras.layers.Dense(16,input_shape = (13,))) ,  #输出是1维数据，输入是13个特征
model.add(tf.keras.layers.Dense(64, activation='relu')),
model.add(tf.keras.layers.Dense(1)),

方法二：将所有的层以列表list的形式，全部放到Sequential（）里面

model = tf.keras.Sequential([
        tf.keras.layers.Dense(16,input_shape = (13,)),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(1,activation='relu')
    ])  
model.summary()

2、model.compile,模型训练的BP模式设置；

def compile(self,
              optimizer='rmsprop',
              loss=None,
              metrics=None,
              loss_weights=None,
              sample_weight_mode=None,
              weighted_metrics=None,
              target_tensors=None,
              distribute=None,
              **kwargs)

model.compile(
    optimizer = tf.keras.optimizers.Adam(learning_rate=0.001),
    loss = tf.keras.losses.sparse_categorical_crossentropy,
    metrics = ['acc']
)

optimizer： 字符串（预定义优化器名）或优化器对象，参考优化器
tf.keras.optimizers.点击一下tab可以查看有多少优化函数

loss： 字符串（预定义损失函数名）或目标函数，参考损失函数

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’]

3、model.fit，模型训练参数设置 + 训练；

model.fit(x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)

x：输入数据。如果模型只有一个输入，那么x的类型是numpy
array，如果模型有多个输入，那么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：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
epochs：整数，训练的轮数，每个epoch会把训练集轮一遍。
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，参考回调函数
validation_split：0~1之间的浮点数，用来指定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。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
validation_data：形式为（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’。
initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。
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

4、模型评估:evaluate 模型评估

model.evaluate(x, y, batch_size=32, verbose=1, sample_weight=None)

本函数按batch计算在某些输入数据上模型的误差，其参数有：

x：输入数据，与fit一样，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
本函数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）。model.metrics_names将给出list中各个值的含义。

如果没有特殊说明，以下函数的参数均保持与fit的同名参数相同的含义
如果没有特殊说明，以下函数的verbose参数（如果有）均只能取0或1

5、模型预测model.predict

model.predict(x, batch_size=32, verbose=0)

详细代码实例展示可参考

https://blog.csdn.net/weixin_39559994/article/details/105837202

参考文献：

https://blog.csdn.net/sinat_26917383/article/details/72857454