Sequential 模型 API
在阅读这片文档前, 请先阅读 keras Sequential 模型指引.
Sequential 模型方法
- compile
- compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
用于配置训练模型.
参数
optimizer: 字符串 (优化器名) 或者优化器对象. 详见 https://keras.io/optimizers .
loss: 字符串 (目标函数名) 或目标函数. 详见 https://keras.io/losses . 如果模型具有多个输出, 则可以通过传递损失函数的字典或列表, 在每个输出上使用不同的损失. 模型将最小化的损失值将是所有单个损失的总和.
metrics: 在训练和测试期间的模型评估标准. 通常你会使用
metrics = ['accuracy']
. 要为多输出模型的不同输出指定不同的评估标准, 还可以传递一个字典, 如
- metrics = {
- 'output_a':'accuracy'
- }
- .
loss_weights: 指定标量系数 (Python 浮点数) 的可选列表或字典, 用于加权不同模型输出的损失贡献. 模型将要最小化的损失值将是所有单个损失的加权和, 由 loss_weights 系数加权. 如果是列表, 则期望与模型的输出具有 1:1 映射. 如果是张量, 则期望将输出名称 (字符串) 映射到标量系数.
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. 相反, 如果你想使用自己的目标张量(反过来说, Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据), 您可以通过 target_tensors 参数指定它们. 它应该是单个张量(对于单输出 Sequential 模型).
**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.
异常
ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法.
- fit
- 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)
以固定数量的轮次 (数据集上的迭代) 训练模型.
参数
x: 训练数据的 Numpy 数组. 如果模型中的输入层被命名, 你也可以传递一个字典, 将输入层名称映射到 Numpy 数组. 如果从本地框架张量馈送 (例如 TensorFlow 数据张量) 数据, x 可以是 None(默认).
y: 目标 (标签) 数据的 Numpy 数组. 如果模型中的输出层被命名, 你也可以传递一个字典, 将输出层名称映射到 Numpy 数组. 如果从本地框架张量馈送 (例如 TensorFlow 数据张量) 数据, y 可以是 None(默认).
batch_size: 整数或 None. 每次提度更新的样本数. 如果未指定, 默认为 32.
epochs: 整数. 训练模型迭代轮次. 一个轮次是在整个 x 或 y 上的一轮迭代. 请注意, 与 initial_epoch 一起, epochs 被理解为 「最终轮次」. 模型并不是训练了 epochs 轮, 而是到第 epochs 轮停止训练.
verbose: 0, 1 或 2. 日志显示模式. 0 = 安静模式, 1 = 进度条, 2 = 每轮一行.
callbacks: 一系列的
keras.callbacks.Callback
实例. 一系列可以在训练时使用的回调函数. 详见 https://keras.io/callbacks .
validation_split: 在 0 和 1 之间浮动. 用作验证集的训练数据的比例. 模型将分出一部分不会被训练的验证数据, 并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标. 验证数据是混洗之前 x 和 y 数据的最后一部分样本中.
validation_data: 元组 (x_val,y_val) 或元组
(x_val,y_val,val_sample_weights)
, 用来评估损失, 以及在每轮结束时的任何模型度量指标. 模型将不会在这个数据上进行训练. 这个参数会覆盖 validation_split.
shuffle: 布尔值 (是否在每轮迭代之前混洗数据) 或者 字符串 (batch).batch 是处理 HDF5 数据限制的特殊选项, 它对一个 batch 内部的数据进行混洗. 当 steps_per_epoch 非 None 时, 这个参数无效.
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). 这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本.
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(仅在训练期间). 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射), 或者在时序数据的情况下, 可以传递尺寸为
(samples, sequence_length)
的 2D 数组, 以对每个样本的每个时间步施加不同的权重. 在这种情况下, 你应该确保在 compile() 中指定
- sample_weight_mode="temporal"
- .
initial_epoch: 开始训练的轮次(有助于恢复之前的训练).
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(样品批次). 使用 TensorFlow 数据张量等输入张量进行训练时, 默认值 None 等于数据集中样本的数量除以 batch 的大小, 如果无法确定, 则为 1.
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).
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).
异常
RuntimeError: 如果模型从未编译.
ValueError: 在提供的输入数据与模型期望的不匹配的情况下.
- evaluate
- evaluate(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.
参数
x: 训练数据的 Numpy 数组. 如果模型中的输入层被命名, 你也可以传递一个字典, 将输入层名称映射到 Numpy 数组. 如果从本地框架张量馈送 (例如 TensorFlow 数据张量) 数据, x 可以是 None(默认).
y: 目标 (标签) 数据的 Numpy 数组. 如果模型中的输出层被命名, 你也可以传递一个字典, 将输出层名称映射到 Numpy 数组. 如果从本地框架张量馈送 (例如 TensorFlow 数据张量) 数据, y 可以是 None(默认).
batch_size: 整数或 None. 每次提度更新的样本数. 如果未指定, 默认为 32.
verbose: 0, 1. 日志显示模式. 0 = 安静模式, 1 = 进度条.
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(仅在训练期间). 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射), 或者在时序数据的情况下, 可以传递尺寸为
(samples, sequence_length)
的 2D 数组, 以对每个样本的每个时间步施加不同的权重. 在这种情况下, 你应该确保在 compile() 中指定
- sample_weight_mode="temporal"
- .
steps: 整数或 None. 声明评估结束之前的总步数(批次样本). 默认值 None.
返回
标量测试误差 (如果模型只有单个输出且没有评估指标) 或标量列表(如果模型具有多个输出和 / 或指标). 属性 model.metrics_names 将提供标量输出的显示标签.
- predict
- predict(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.
参数
x: 输入数据, Numpy 数组(或者如果模型有多个输入, 则为 Numpy 数组列表).
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.
返回
预测的 Numpy 数组.
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.
- train_on_batch
- train_on_batch(x, y, sample_weight=None, class_weight=None)
一批样品的单次梯度更新.
Arguments
x: 训练数据的 Numpy 数组, 如果模型具有多个输入, 则为 Numpy 数组列表. 如果模型中的所有输入都已命名, 你还可以传入输入名称到 Numpy 数组的映射字典.
y: 目标数据的 Numpy 数组, 如果模型具有多个输入, 则为 Numpy 数组列表. 如果模型中的所有输出都已命名, 你还可以传入输出名称到 Numpy 数组的映射字典.
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(仅在训练期间). 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射), 或者在时序数据的情况下, 可以传递尺寸为
(samples, sequence_length)
的 2D 数组, 以对每个样本的每个时间步施加不同的权重. 在这种情况下, 你应该确保在 compile() 中指定
- sample_weight_mode="temporal"
- .
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). 这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本.
返回
标量训练误差 (如果模型只有单个输出且没有评估指标) 或标量列表(如果模型具有多个输出和 / 或指标). 属性 model.metrics_names 将提供标量输出的显示标签.
- test_on_batch
- test_on_batch(x, y, sample_weight=None)
在一批样本上评估模型.
参数
x: 训练数据的 Numpy 数组, 如果模型具有多个输入, 则为 Numpy 数组列表. 如果模型中的所有输入都已命名, 你还可以传入输入名称到 Numpy 数组的映射字典.
y: 目标数据的 Numpy 数组, 如果模型具有多个输入, 则为 Numpy 数组列表. 如果模型中的所有输出都已命名, 你还可以传入输出名称到 Numpy 数组的映射字典.
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(仅在训练期间). 您可以传递与输入样本长度相同的平坦(1D)Numpy 数组(权重和样本之间的 1:1 映射), 或者在时序数据的情况下, 可以传递尺寸为
(samples, sequence_length)
的 2D 数组, 以对每个样本的每个时间步施加不同的权重. 在这种情况下, 你应该确保在 compile() 中指定
- sample_weight_mode="temporal"
- .
返回
标量测试误差 (如果模型只有单个输出且没有评估指标) 或标量列表(如果模型具有多个输出和 / 或指标). 属性 model.metrics_names 将提供标量输出的显示标签.
- predict_on_batch
- predict_on_batch(x)
返回一批样本的模型预测值.
参数
x: 输入数据, Numpy 数组或列表(如果模型有多输入).
返回
预测值的 Numpy 数组.
- fit_generator
- fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
使用 Python 生成器或 Sequence 实例逐批生成的数据, 按批次训练模型.
生成器与模型并行运行, 以提高效率. 例如, 这可以让你在 CPU 上对图像进行实时数据增强, 以在 GPU 上训练模型.
keras.utils.Sequence 的使用可以保证数据的顺序, 以及当 use_multiprocessing=True 时 , 保证每个输入在每个 epoch 只使用一次.
参数
generator: 一个生成器或 Sequence (
keras.utils.Sequence
) 对象的实例, 以避免在使用多进程时出现重复数据. 生成器的输出应该为以下之一:
一个 (inputs, targets) 元组
一个
(inputs, targets, sample_weights)
元组. 这个元组 (生成器的单个输出) 表示一个独立批次. 因此, 此元组中的所有数组必须具有相同的长度(等于此批次的大小). 不同的批次可能具有不同的大小. 例如, 如果数据集的大小不能被批量大小整除, 则最后一批时期通常小于其他批次. 生成器将无限地在数据集上循环. 当运行到第 steps_per_epoch 时, 记一个 epoch 结束.
steps_per_epoch: 整数. 在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数(批次样本). 它通常应该等于你的数据集的样本数量除以批量大小. 可选参数 Sequence: 如果未指定, 将使用 len(generator) 作为步数.
epochs: 整数, 数据的迭代总轮数. 一个 epoch 是对所提供的整个数据的一轮迭代, 由 steps_per_epoch 所定义. 请注意, 与 initial_epoch 一起, 参数 epochs 应被理解为 「最终轮数」. 模型并不是训练了 epochs 轮, 而是到第 epochs 轮停止训练.
verbose: 日志显示模式. 0,1 或 2.0 = 安静模式, 1 = 进度条, 2 = 每轮一行.
- callbacks:
- keras.callbacks.Callback
实例列表. 在训练时调用的一系列回调. 详见 https://keras.io/callbacks .
validation_data: 它可以是以下之一:
验证数据的生成器或 Sequence 实例
一个 (inputs, targets) 元组
一个
(inputs, targets, sample_weights)
元组.
validation_steps: 仅当 validation_data 是一个生成器时才可用. 每个 epoch 结束时验证集生成器产生的步数. 它通常应该等于你的数据集的样本数量除以批量大小. 可选参数 Sequence: 如果未指定, 将使用 len(generator) 作为步数.
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). 这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本.
max_queue_size: 整数. 生成器队列的最大尺寸. 如果未指定, max_queue_size 将默认为 10.
workers: 整数. 使用基于进程的多线程时启动的最大进程数. 如果未指定, worker 将默认为 1. 如果为 0, 将在主线程上执行生成器.
use_multiprocessing: 如果 True, 则使用基于进程的多线程. 如果未指定, use_multiprocessing 将默认为 False. 请注意, 因为此实现依赖于多进程, 所以不应将不可传递的参数传递给生成器, 因为它们不能被轻易地传递给子进程.
shuffle: 布尔值. 是否在每轮迭代之前打乱 batch 的顺序. 只能与 Sequence(
keras.utils.Sequence
) 实例同用. 在 steps_per_epoch 不为 None 是无效果.
initial_epoch: 整数. 开始训练的轮次(有助于恢复之前的训练).
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).
异常
ValueError: 如果生成器生成的数据格式不正确.
例子
- def generate_arrays_from_file(path):
- while True:
- with open(path) as f:
- for line in f:
- # 从文件中的每一行生成输入数据和标签的 numpy 数组
- x1, x2, y = process_line(line)
- yield ({'input_1': x1, 'input_2': x2}, {'output': y})
- model.fit_generator(generate_arrays_from_file('/my_file.txt'),
- steps_per_epoch=10000, epochs=10)
- evaluate_generator
- evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
在数据生成器上评估模型.
这个生成器应该返回与 test_on_batch 所接收的同样的数据.
参数
generator: 生成器, 生成 (inputs, targets) 或 (inputs, targets, sample_weights), 或 Sequence (
keras.utils.Sequence
) 对象的实例, 以避免在使用多进程时出现重复数据.
steps: 在停止之前, 来自 generator 的总步数 (样本批次). 可选参数 Sequence: 如果未指定, 将使用 len(generator) 作为步数.
max_queue_size: 生成器队列的最大尺寸.
workers: 整数. 使用基于进程的多线程时启动的最大进程数. 如果未指定, worker 将默认为 1. 如果为 0, 将在主线程上执行生成器.
use_multiprocessing: 如果 True, 则使用基于进程的多线程. 请注意, 因为此实现依赖于多进程, 所以不应将不可传递的参数传递给生成器, 因为它们不能被轻易地传递给子进程.
verbose: 日志显示模式, 0 或 1.
返回
标量测试误差 (如果模型只有单个输出且没有评估指标) 或标量列表(如果模型具有多个输出和 / 或指标). 属性 model.metrics_names 将提供标量输出的显示标签.
异常
ValueError: 如果生成器生成的数据格式不正确.
- predict_generator
- predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
为来自数据生成器的输入样本生成预测.
这个生成器应该返回与 predict_on_batch 所接收的同样的数据.
参数
generator: 返回批量输入样本的生成器, 或 Sequence (
keras.utils.Sequence
) 对象的实例, 以避免在使用多进程时出现重复数据.
steps: 在停止之前, 来自 generator 的总步数 (样本批次). 可选参数 Sequence: 如果未指定, 将使用 len(generator) 作为步数.
max_queue_size: 生成器队列的最大尺寸.
workers: 整数. 使用基于进程的多线程时启动的最大进程数. 如果未指定, worker 将默认为 1. 如果为 0, 将在主线程上执行生成器.
use_multiprocessing: 如果 True, 则使用基于进程的多线程. 请注意, 因为此实现依赖于多进程, 所以不应将不可传递的参数传递给生成器, 因为它们不能被轻易地传递给子进程.
verbose: 日志显示模式, 0 或 1.
返回
预测值的 Numpy 数组.
异常
ValueError: 如果生成器生成的数据格式不正确.
- get_layer
- get_layer(name=None, index=None)
根据名称 (唯一) 或索引值查找网络层.
如果同时提供了 name 和 index, 则 index 将优先.
根据网络层的名称 (唯一) 或其索引返回该层. 索引是基于水平图遍历的顺序(自下而上).
参数
name: 字符串, 层的名字.
index: 整数, 层的索引.
返回
一个层实例.
异常
ValueError: 如果层的名称或索引不正确.
来源: https://www.cnblogs.com/xiaosongshine/p/10775113.html