Keras-Sequential模型（2）

重點介紹Sequential模型方法

compile

編譯用來配置模型的學習過程，其參數有：

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

  optimizer:字元串（預定義優化器名）或優化器對象，參考優化器

• loss: str (name of objective function) or objective function.

  loss:字元串（預定義損失函數名）或目标函數

• metrics: list of metrics to be evaluated by the model.during training and testing.Typically you will use “metrics=[‘accuracy’] “.

  metrics:清單，包含評估模型在訓練和測試時的網絡性能的名額，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：如果你需要按時間步為樣本賦權（2D權矩陣），将該值設為“temporal”。預設為“None”，代表按樣本賦權（1D權）

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

  kwargs：使用TensorFlow作為後端請忽略該參數，若使用Theano作為後端，kwargs的值将會傳遞給 K.function

• example:

  model = Sequential()
  model.add(Dense(, input_shape=(,)))
  model.add(Dense(, activation='softmax'))
  model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
             

fit

fit(self, x, y, batch_size=, nb_epoch=, verbose=, callbacks=[], validation_split=, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, **kwargs)
           

本函數将模型訓練nb_epoch輪，其參數有：

• x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).

  x：輸入資料。如果模型隻有一個輸入，那麼x的類型是numpy array，如果模型有多個輸入，那麼x的類型應當為list，list的元素是對應于各個輸入的numpy array

• y: labels, as a Numpy array.

  y：标簽，numpy array

• batch_size: integer. Number of samples per gradient update.

  batch_size：整數，指定進行梯度下降時每個batch包含的樣本數。訓練時一個batch的樣本會被計算一次梯度下降，使目标函數優化一步。

• nb_epoch: integer, the number of epochs to train the model.

  nb_epoch：整數，訓練的輪數，訓練資料将會被周遊nb_epoch次。Keras中nb開頭的變量均為”number of”的意思

• verbose: 0 for no logging to stdout,1 for progress bar logging, 2 for one log line per epoch.

  verbose：日志顯示，0為不在标準輸出流輸出日志資訊，1為輸出進度條記錄，2為每個epoch輸出一行記錄。

• callbacks: list of ‘keras.callbacks.Callback’instances.List of callbacks to apply during training.

  callbacks：list，其中的元素是keras.callbacks.Callback的對象。這個list中的回調函數将會在訓練過程中的适當時機被調用，參考回調函數.

• validation_split: float (0. < x < 1).Fraction of the data to use as held-out validation data.

  validation_split：0~1之間的浮點數，用來指定訓練集的一定比例資料作為驗證集。驗證集将不參與訓練，并在每個epoch結束後測試的模型的名額，如損失函數、精确度等。

• validation_data: tuple (x_val, y_val) or tuple (x_val, y_val, val_sample_weights) to be used as held-out validation data. Will override validation_split.

  validation_data：形式為（X，y）的tuple，是指定的驗證集。此參數将覆寫validation_spilt。

• shuffle: boolean or str (for ‘batch’).Whether to shuffle the samples at each epoch.’batch’ is a special option for dealing with the limitations of HDF5 data; it shuffles in batch-sized chunks

  shuffle：布爾值或字元串，一般為布爾值，表示是否在訓練過程中随機打亂輸入樣本的順序。若為字元串“batch”，則是用來處理HDF5資料的特殊情況，它将在batch内部将資料打亂。

• class_weight: dictionary mapping classes to a weight value, used for scaling the loss function (during training only).

  class_weight：字典，将不同的類别映射為不同的權值，該參數用來在訓練過程中調整損失函數（隻能用于訓練）

• sample_weight: Numpy array of weights for the training samples, used for scaling the loss function(during training only). You can either pass a flat (1D) Numpy array with the same length as the input samples (1:1 mapping between weights and samples), or in the case of temporal data, you can pass a 2D array with shape (samples, sequence_length), to apply a different weight to every timestep of every sample. In this case you should make sure to specify sample_weight_mode=”temporal” in compile().

  sample_weight：權值的numpy array，用于在訓練時調整損失函數（僅用于訓練）。可以傳遞一個1D的與樣本等長的向量用于對樣本進行1對1的權重，或者在面對時序資料時，傳遞一個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請确定在編譯模型時添加了sample_weight_mode=’temporal’。

evaluate

evaluate(self, x, y, batch_size=, verbose=, sample_weight=None, **kwargs)
           

本函數按batch計算在某些輸入資料上模型的誤差，其參數有：

• x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).

  x：輸入資料，與fit一樣，是numpy array或numpy array的list

• y: labels, as a Numpy array.

  y：标簽，numpy array

• batch_size: integer. Number of samples per gradient update.

  batch_size：整數，含義同fit的同名參數

• verbose: verbosity mode, 0 or 1.

  verbose：含義同fit的同名參數，但隻能取0或1

• sample_weight: sample weights, as a Numpy array.

  sample_weight：numpy array，含義同fit的同名參數

本函數傳回一個測試誤差的标量值（如果模型沒有其他評價名額），或一個标量的list（如果模型還有其他的評價名額）。

model.metrics_names将給出list中各個值的含義。