深入学习keras中Sequential模型及方法

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,是多个网络层的线性堆叠。
Keras实现了很多层,包括core核心层,Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。
我们可以通过将层的列表传递给Sequential的构造函数,来创建一个Sequential模型。

from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

也可以使用.add()方法将各层添加到模型中:

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))

指定输入数据的尺寸

模型需要知道它所期待的输入的尺寸(shape)。出于这个原因,序贯模型中的第一层(只有第一层,因为下面的层可以自动的推断尺寸)需要接收关于其输入尺寸的信息,后面的各个层则可以自动的推导出中间数据的shape,因此不需要为每个层都指定这个参数。有以下几种方法来做到这一点:

  • 传递一个input_shape参数给第一层。它是一个表示尺寸的元组(一个整数或None的元组,其中None表示可能为任何正整数)。在input_shape中不包含数据的batch大小。
  • 某些 2D 层,例如  Dense ,支持通过参数  input_dim  指定输入尺寸,某些 3D 时序层支持 input_dim  和  input_length  参数。
  • 如果你需要为你的输入指定一个固定的 batch 大小(这对 stateful RNNs 很有用),你可以传递一个  batch_size  参数给一个层。如果你同时将  batch_size=32  和  input_shape=(6, 8)  传递给一个层,那么每一批输入的尺寸就为  (32,6,8) 。

因此下面的代码是等价的。

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_dim=784))

下面三种方法也是严格等价的

model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
model = Sequential()
model.add(LSTM(32, batch_input_shape=(None, 10, 64)))
model = Sequential()
model.add(LSTM(32, input_length=10, input_dim=64))

编译

在训练模型之前,我们需要配置学习过程,这是通过compile方法完成的,他接收三个参数:

  • 优化器 optimizer: 它可以是现有优化器的字符串标识符,如  rmsprop  或  adagrad ,也可以是 Optimizer 类的实例。详见: optimizers 。
  • 损失函数 loss: 模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符,如  categorical_crossentropy  或  mse ,也可以是一个目标函数。详见: losses 。
  • 评估标准 metrics: 对于任何分类问题,你都希望将其设置为  metrics = ['accuracy'] 。评估标准可以是现有的标准的字符串标识符,也可以是自定义的评估标准函数。
# 多分类问题
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
# 二分类问题
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
# 均方误差回归问题
model.compile(optimizer='rmsprop',
              loss='mse')
# 自定义评估标准函数
import keras.backend as K
def mean_pred(y_true, y_pred):
    return K.mean(y_pred)
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

训练

Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练。为了训练一个模型,你通常会使用fit 函数。 文档详见此处 。

# 对于具有2个类的单输入模型(二进制分类):
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# 训练模型,以 32 个样本为一个 batch 进行迭代
model.fit(data, labels, epochs=10, batch_size=32)
# 对于具有10个类的单输入模型(多分类分类):
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))
# 将标签转换为分类的 one-hot 编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
# 训练模型,以 32 个样本为一个 batch 进行迭代
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

例子

这里有几个可以帮助你开始的例子!
在 examples 目录 中,你可以找到真实数据集的示例模型:

  • CIFAR10 小图片分类:具有实时数据增强的卷积神经网络 (CNN)
  • IMDB 电影评论情感分类:基于词序列的 LSTM
  • Reuters 新闻主题分类:多层感知器 (MLP)
  • MNIST 手写数字分类:MLP 和 CNN
  • 基于 LSTM 的字符级文本生成

基于多层感知器 (MLP) 的 softmax 多分类:

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
# 生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
model = Sequential()
# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸:
# 在这里,是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

基于多层感知器的二分类:

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout
# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

类似VGG的卷积神经网络

import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.optimizers import SGD
# 生成虚拟数据
x_train = np.random.random((100, 100, 100, 3))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
x_test = np.random.random((20, 100, 100, 3))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)
model = Sequential()
# 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。
# 使用 32 个大小为 3x3 的卷积滤波器。
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
model.fit(x_train, y_train, batch_size=32, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=32)

基于LSTM的序列分类

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import LSTM
model = Sequential()
model.add(Embedding(max_features, output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=16, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=16)

基于 1D 卷积的序列分类:

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import Conv1D, GlobalAveragePooling1D, MaxPooling1D
model = Sequential()
model.add(Conv1D(64, 3, activation='relu', input_shape=(seq_length, 100)))
model.add(Conv1D(64, 3, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=16, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=16)

基于栈式 LSTM 的序列分类

在这个模型中,我们将 3 个 LSTM 层叠在一起,使模型能够学习更高层次的时间表示。
前两个 LSTM 返回完整的输出序列,但最后一个只返回输出序列的最后一步,从而降低了时间维度(即将输入序列转换成单个向量)。

from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10
# 期望输入数据尺寸: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # 返回维度为 32 的向量序列
model.add(LSTM(32, return_sequences=True))  # 返回维度为 32 的向量序列
model.add(LSTM(32))  # 返回维度为 32 的单个向量
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
# 生成虚拟训练数据
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))
# 生成虚拟验证数据
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))
model.fit(x_train, y_train,
          batch_size=64, epochs=5,
          validation_data=(x_val, y_val))

带有状态 (stateful) 的 相同的栈式 LSTM 模型

有状态的循环神经网络模型中,在一个 batch 的样本处理完成后,其内部状态(记忆)会被记录并作为下一个 batch 的样本的初始状态。这允许处理更长的序列,同时保持计算复杂度的可控性。
你可以在 FAQ 中查找更多关于 stateful RNNs 的信息。

from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10
batch_size = 32
# 期望输入数据尺寸: (batch_size, timesteps, data_dim)
# 请注意,我们必须提供完整的 batch_input_shape,因为网络是有状态的。
# 第 k 批数据的第 i 个样本是第 k-1 批数据的第 i 个样本的后续。
model = Sequential()
model.add(LSTM(32, return_sequences=True, stateful=True,
               batch_input_shape=(batch_size, timesteps, data_dim)))
model.add(LSTM(32, return_sequences=True, stateful=True))
model.add(LSTM(32, stateful=True))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
# 生成虚拟训练数据
x_train = np.random.random((batch_size * 10, timesteps, data_dim))
y_train = np.random.random((batch_size * 10, num_classes))
# 生成虚拟验证数据
x_val = np.random.random((batch_size * 3, timesteps, data_dim))
y_val = np.random.random((batch_size * 3, num_classes))
model.fit(x_train, y_train,
          batch_size=batch_size, epochs=5, shuffle=False,
          validation_data=(x_val, y_val))

Sequential模型方法

1  compile

compile(self, 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。

1.1 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'} 。
  • 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 。

1.2  异常

ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。

2 fit

fit(self, 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。

2.1 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)。

2.2  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)。

2.3  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。

3  evaluate

evaluate(self, 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。

3.1  参数

  • x : 输入数据,Numpy 数组或列表(如果模型有多输入)。 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 : 标签,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。每次梯度更新的样本数。如果未指定,默认为 32。
  • verbose : 日志显示模式,0 或 1。
  • sample_weight : 样本权重,Numpy 数组。
  • 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 。

3.2  返回

标量测试误差(如果模型没有评估指标)或标量列表(如果模型计算其他指标)。 属性 model.metrics_names 将提供标量输出的显示标签。

4  predict

predict(self, 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。

4.1 参数

  • x : 输入数据,Numpy 数组。
  • 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 。

4.2 返回

预测的 Numpy 数组。

4.3  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。

5 train_on_batch 

train_on_batch(self, x, y, class_weight=None, sample_weight=None)

一批样品的单次梯度更新。

5.1  Arguments

  • x : 输入数据,Numpy 数组或列表(如果模型有多输入)。
  • y : 标签,Numpy 数组。
  • class_weight : 将类别映射为权重的字典,用于在训练时缩放损失函数。
  • sample_weight : 样本权重,Numpy 数组。

5.2   返回

标量测试误差(如果模型没有评估指标)或标量列表(如果模型计算其他指标)。 属性 model.metrics_names 将提供标量输出的显示标签。
6 test_on_batch

test_on_batch(self, x, y, sample_weight=None)

在一批样本上评估模型。

6.1  参数

  • x : 输入数据,Numpy 数组或列表(如果模型有多输入)。
  • y : 标签,Numpy 数组。
  • sample_weight : 样本权重,Numpy 数组。

6.2  返回

标量测试误差(如果模型没有评估指标)或标量列表(如果模型计算其他指标)。 属性  model.metrics_names 将提供标量输出的显示标签。

7 predict_on_batch

predict_on_batch(self, x)

返回一批样本的模型预测值。

7.1  参数

  • x : 输入数据,Numpy 数组或列表(如果模型有多输入)。

7.2  返回

预测值的Numpy数组

8 fit_generator

it_generator(self, 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。

8.1  参数

  • generator : 一个生成器或  Sequence  ( keras.utils.Sequence )。 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。 所有的数组都必须包含同样数量的样本。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 : 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。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。
  • callbacks : 在训练时调用的一系列回调函数。
  • 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 : 将类别映射为权重的字典。
  • max_queue_size : 生成器队列的最大尺寸。
  • workers : 使用的最大进程数量。
  • 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。
  • shuffle : 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。
  • initial_epoch : 开始训练的轮次(有助于恢复之前的训练)。

8.2  返回

一个 History 对象。

8.3  异常

  • ValueError : 如果生成器生成的数据格式不正确。

8.4  例

def generate_arrays_from_file(path):
    while 1:
        f = open(path)
        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
            x, y = process_line(line)
            yield (x, y)
        f.close()
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
                    steps_per_epoch=1000, epochs=10)

9 evaluate_generator

evaluate_generator(self, generator, steps=None, max_queue_size=10,
 workers=1, use_multiprocessing=False)

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。

9.1 参数

  • generator : 生成器,生成 (inputs, targets) 或 (inputs, targets, sample_weights)
  • 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 : 使用的最大进程数量。
  • 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。

9.2  返回

标量测试误差(如果模型没有评估指标)或标量列表(如果模型计算其他指标)。 属性 model.metrics_names 将提供标量输出的显示标签。

9.3 异常

ValueError如果生成器生成的数据格式不正确

10 predict_generator

predict_generator(self, 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。

10.1  参数

  • generator : 返回批量输入样本的生成器。
  • 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 : 使用的最大进程数量。
  • 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。

10.2  返回

预测值的 Numpy 数组。
10.3 异常

  • ValueError : 如果生成器生成的数据格式不正确。

11 get_layer 

get_layer(self, 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)。

11.1  参数

  • name : 字符串,层的名字。
  • index : 整数,层的索引。

11.2 返回

一个层实例。

11.3  异常

  • ValueError : 如果层的名称或索引不正确。

发表评论

电子邮件地址不会被公开。 必填项已用*标注