轉(zhuǎn)自：https://keras.io/zh/getting-started/sequential-model-guide/

1.順序模型是多個網(wǎng)絡(luò)層的線性堆疊。

你可以通過將網(wǎng)絡(luò)層實例的列表傳遞給?Sequential?的構(gòu)造器，來創(chuàng)建一個?Sequential?模型：

from keras.models import Sequential from keras.layers import Dense, Activationmodel = Sequential([Dense(32, input_shape=(784,)),Activation('relu'),Dense(10),Activation('softmax'), ]) 或使用add添加 model = Sequential() model.add(Dense(32, input_dim=784)) model.add(Activation('relu'))

?然后發(fā)現(xiàn)，這樣也行：

mo=Sequential([Dense(32,input_dim=784,activation="relu"),Dense(5,activation="softmax")])

?

?//Dense就是有單元數(shù)、輸入維度（只在第一層的時候有，之后會自動計算）。

?指定輸入尺寸：

• 傳遞一個?input_shape?參數(shù)給第一層。它是一個表示尺寸的元組 (一個整數(shù)或?None?的元組，其中?None?表示可能為任何正整數(shù))。在?input_shape?中不包含數(shù)據(jù)的 batch 大小。

?

?

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

?

//這個input_dim應(yīng)該是一個隱藏參數(shù)。

2.模型編譯

# try using different optimizers and different optimizer configs model.compile('adam', 'binary_crossentropy', metrics=['accuracy'])

?

• 優(yōu)化器 optimizer。它可以是現(xiàn)有優(yōu)化器的字符串標(biāo)識符，如?rmsprop?或?adagrad，也可以是 Optimizer 類的實例。詳見：optimizers。
• 損失函數(shù) loss，模型試圖最小化的目標(biāo)函數(shù)。它可以是現(xiàn)有損失函數(shù)的字符串標(biāo)識符，如?categorical_crossentropy?或?mse，也可以是一個目標(biāo)函數(shù)。詳見：losses。
• 評估標(biāo)準(zhǔn) metrics。對于任何分類問題，你都希望將其設(shè)置為?metrics = ['accuracy']。評估標(biāo)準(zhǔn)可以是現(xiàn)有的標(biāo)準(zhǔn)的字符串標(biāo)識符，也可以是自定義的評估標(biāo)準(zhǔn)函數(shù)。

# 多分類問題 model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])# 二分類問題 model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])# 均方誤差回歸問題 model.compile(optimizer='rmsprop',loss='mse')# 自定義評估標(biāo)準(zhǔn)函數(shù) import keras.backend as Kdef mean_pred(y_true, y_pred):return K.mean(y_pred)model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy', mean_pred])

?

//上邊這個給出的例子不錯的。

3.模型訓(xùn)練

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)

?

以給定數(shù)量的輪次（數(shù)據(jù)集上的迭代）訓(xùn)練模型。

參數(shù)

• x: 訓(xùn)練數(shù)據(jù)的 Numpy 數(shù)組（如果模型只有一個輸入）， 或者是 Numpy 數(shù)組的列表（如果模型有多個輸入）。 如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數(shù)組。 如果從本地框架張量饋送（例如 TensorFlow 數(shù)據(jù)張量）數(shù)據(jù)，x?可以是?None（默認(rèn)）。
• y: 目標(biāo)（標(biāo)簽）數(shù)據(jù)的 Numpy 數(shù)組（如果模型只有一個輸出）， 或者是 Numpy 數(shù)組的列表（如果模型有多個輸出）。 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數(shù)組。 如果從本地框架張量饋送（例如 TensorFlow 數(shù)據(jù)張量）數(shù)據(jù)，y 可以是?None（默認(rèn)）。
• batch_size: 整數(shù)或?None。每次梯度更新的樣本數(shù)。如果未指定，默認(rèn)為 32。
• epochs: 整數(shù)。訓(xùn)練模型迭代輪次。一個輪次是在整個?x?和?y?上的一輪迭代。 請注意，與?initial_epoch?一起，epochs?被理解為 「最終輪次」。模型并不是訓(xùn)練了?epochs?輪，而是到第?epochs?輪停止訓(xùn)練。
• verbose: 0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進(jìn)度條, 2 = 每輪一行。
• callbacks: 一系列的?keras.callbacks.Callback?實例。一系列可以在訓(xùn)練時使用的回調(diào)函數(shù)。 詳見?callbacks。
• validation_split: 0 和 1 之間的浮點數(shù)。用作驗證集的訓(xùn)練數(shù)據(jù)的比例。 模型將分出一部分不會被訓(xùn)練的驗證數(shù)據(jù)，并將在每一輪結(jié)束時評估這些驗證數(shù)據(jù)的誤差和任何其他模型指標(biāo)。 驗證數(shù)據(jù)是混洗之前?x?和y?數(shù)據(jù)的最后一部分樣本中。
• validation_data: 元組?(x_val，y_val)?或元組?(x_val，y_val，val_sample_weights)， 用來評估損失，以及在每輪結(jié)束時的任何模型度量指標(biāo)。 模型將不會在這個數(shù)據(jù)上進(jìn)行訓(xùn)練。這個參數(shù)會覆蓋?validation_split。
• shuffle: 布爾值（是否在每輪迭代之前混洗數(shù)據(jù)）或者 字符串 (batch)。?batch?是處理 HDF5 數(shù)據(jù)限制的特殊選項，它對一個 batch 內(nèi)部的數(shù)據(jù)進(jìn)行混洗。 當(dāng)?steps_per_epoch?非?None?時，這個參數(shù)無效。
• class_weight: 可選的字典，用來映射類索引（整數(shù)）到權(quán)重（浮點）值，用于加權(quán)損失函數(shù)（僅在訓(xùn)練期間）。 這可能有助于告訴模型 「更多關(guān)注」來自代表性不足的類的樣本。
• sample_weight: 訓(xùn)練樣本的可選 Numpy 權(quán)重數(shù)組，用于對損失函數(shù)進(jìn)行加權(quán)（僅在訓(xùn)練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數(shù)組（權(quán)重和樣本之間的 1:1 映射）， 或者在時序數(shù)據(jù)的情況下，可以傳遞尺寸為?(samples, sequence_length)?的 2D 數(shù)組，以對每個樣本的每個時間步施加不同的權(quán)重。 在這種情況下，你應(yīng)該確保在?compile()?中指定?sample_weight_mode="temporal"。
• initial_epoch: 整數(shù)。開始訓(xùn)練的輪次（有助于恢復(fù)之前的訓(xùn)練）。
• steps_per_epoch: 整數(shù)或?None。 在聲明一個輪次完成并開始下一個輪次之前的總步數(shù)（樣品批次）。 使用 TensorFlow 數(shù)據(jù)張量等輸入張量進(jìn)行訓(xùn)練時，默認(rèn)值?None?等于數(shù)據(jù)集中樣本的數(shù)量除以 batch 的大小，如果無法確定，則為 1。
• validation_steps: 只有在指定了?steps_per_epoch?時才有用。停止前要驗證的總步數(shù)（批次樣本）。

model.fit(x_train, y_train,batch_size=batch_size,epochs=4,validation_data=[x_test, y_test])

?

返回

一個?History?對象。其?History.history?屬性是連續(xù) epoch 訓(xùn)練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。

4.模型測試

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)

在測試模式下返回模型的誤差值和評估標(biāo)準(zhǔn)值。

計算是分批進(jìn)行的。

• batch_size: 整數(shù)或?None。每次評估的樣本數(shù)。如果未指定，默認(rèn)為 32。

• steps: 整數(shù)或?None。 聲明評估結(jié)束之前的總步數(shù)（批次樣本）。默認(rèn)值?None。

返回

標(biāo)量測試誤差（如果模型只有一個輸出且沒有評估標(biāo)準(zhǔn)） 或標(biāo)量列表（如果模型具有多個輸出 和/或 評估指標(biāo)）。 屬性?model.metrics_names?將提供標(biāo)量輸出的顯示標(biāo)簽。

predict(x, batch_size=None, verbose=0, steps=None)

?

返回

預(yù)測的 Numpy 數(shù)組（或數(shù)組列表）。

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

?

運(yùn)行一批樣品的單次梯度更新。

返回

標(biāo)量訓(xùn)練誤差（如果模型只有一個輸入且沒有評估標(biāo)準(zhǔn)）， 或者標(biāo)量的列表（如果模型有多個輸出 和/或 評估標(biāo)準(zhǔn)）。 屬性?model.metrics_names?將提供標(biāo)量輸出的顯示標(biāo)簽。

test_on_batch(x, y, sample_weight=None)

?

返回

標(biāo)量測試誤差（如果模型只有一個輸入且沒有評估標(biāo)準(zhǔn)）， 或者標(biāo)量的列表（如果模型有多個輸出 和/或 評估標(biāo)準(zhǔn)）。 屬性?model.metrics_names?將提供標(biāo)量輸出的顯示標(biāo)簽。

predict_on_batch(x)

返回一批樣本的模型預(yù)測值。

返回

預(yù)測值的 Numpy 數(shù)組（或數(shù)組列表）。

5.總之

官方文檔里的內(nèi)容是很全的，需要什么參數(shù)設(shè)置就可以了。

?

轉(zhuǎn)載于:https://www.cnblogs.com/BlueBlueSea/p/10672880.html

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的Keras序列模型学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。