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 optimizers。
- loss: 字符串(目标函数名)或目标函数。详见 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 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。
- 一个
-
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 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。
- 验证数据的生成器或
-
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。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Keras Model Sequential模型接口 - Python技术站