转自：https://keras.io/zh/getting-started/sequential-model-guide/
1.顺序模型是多个网络层的线性堆叠。
你可以通过将网络层实例的列表传递给 Sequential 的构造器，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‘),
])
或使用add添加
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation(‘relu‘))
然后发现，这样也行：
mo=Sequential([Dense(32,input_dim=784,activation="relu"),Dense(5,activation="softmax")])
//Dense就是有单元数、输入维度（只在第一层的时候有，之后会自动计算）。
指定输入尺寸：
- 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。
model = Sequential() model.add(Dense(32, input_shape=(784,))) 等价于 model = Sequential() model.add(Dense(32, input_dim=784))
//这个input_dim应该是一个隐藏参数。
2.模型编译
# try using different optimizers and different optimizer configs model.compile(‘adam‘, ‘binary_crossentropy‘, metrics=[‘accuracy‘])
- 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])
//上边这个给出的例子不错的。
3.模型训练
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)
以给定数量的轮次（数据集上的迭代）训练模型。
参数
- x: 训练数据的 Numpy 数组（如果模型只有一个输入）， 或者是 Numpy 数组的列表（如果模型有多个输入）。 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（如果模型只有一个输出）， 或者是 Numpy 数组的列表（如果模型有多个输出）。 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。每次梯度更新的样本数。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和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: 0 和 1 之间的浮点数。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: 整数。开始训练的轮次（有助于恢复之前的训练）。
- steps_per_epoch: 整数或
None。 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）。
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=4,
validation_data=[x_test, y_test])
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）。
4.模型测试
evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
在测试模式下返回模型的误差值和评估标准值。
计算是分批进行的。
- batch_size: 整数或
None。每次评估的样本数。如果未指定，默认为 32。
- 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（如果模型只有一个输出且没有评估标准） 或标量列表（如果模型具有多个输出 和/或 评估指标）。 属性 model.metrics_names 将提供标量输出的显示标签。
predict(x, batch_size=None, verbose=0, steps=None)
返回
预测的 Numpy 数组（或数组列表）。
train_on_batch(x, y, sample_weight=None, class_weight=None)
运行一批样品的单次梯度更新。
返回
标量训练误差（如果模型只有一个输入且没有评估标准）， 或者标量的列表（如果模型有多个输出 和/或 评估标准）。 属性 model.metrics_names 将提供标量输出的显示标签。
test_on_batch(x, y, sample_weight=None)
返回
标量测试误差（如果模型只有一个输入且没有评估标准）， 或者标量的列表（如果模型有多个输出 和/或 评估标准）。 属性 model.metrics_names 将提供标量输出的显示标签。
predict_on_batch(x)
返回一批样本的模型预测值。
返回
预测值的 Numpy 数组（或数组列表）。
5.总之
官方文档里的内容是很全的，需要什么参数设置就可以了。
原文地址：https://www.cnblogs.com/BlueBlueSea/p/10672880.html
时间： 2024-08-30 16:11:13