sample_weight的作用就是為資料集中的資料分配不同的權重。
我的例子是要將資料集的資料分為三類，用0，1，2代表這三類，我這裡想為0分配權重0.3，為1分配權重1，為2分配權重2.。
我的資料是儲存在csv檔案中的，我提取出標籤列表，標籤列表的內容是0，1，2的集合，列表名稱為y_train。我用下面**生成乙個權重的列表：
sample_weights=
for sw in range(len(y_train)):
if y_train[sw]==0:
if y_train[sw]==1:
if y_train[sw]==2:
sample_weights=np.array(sample_weights)
這裡記得不要漏了最後一行，將列表轉化為numpy陣列。因為sample_weight只能是numpy陣列。
建立好陣列之後，下一步是要在compile中新增乙個引數，先看看是新增哪個引數：
這裡的sample_weight_mode分為兩種形式，如果你的權重形式是像我這樣的，就是1d，那sample_weight_mode就設定為none。2d的形式還沒試過，但如果用2d形式，那sample_weight_mode就要設定為sample_weight_mode=『temporal』 。
compile設定完就要設定fit了，我的模型有兩個輸出，但是我只想設定分類輸出，我這裡的分類輸出層命名為』classifier』。那就在fit中新增乙個引數：
sample_weight=這樣便可簡單實現對資料的加權。
keras中新增正則化
正則項在優化過程中層的引數或層的啟用值新增懲罰項，這些懲罰項將與損失函式一起作為網路的最終優化目標 懲罰項基於層進行懲罰，目前懲罰項的介面與層有關，但dense,conv1d,conv2d,conv3d具有共同的介面。這些層有三個關鍵字引數以施加正則項 from keras import regul...
keras中lstm理解（一）
說到lstm，無可避免的首先要提到最簡單最原始的rnn。在這一部分，我的目標只是理解 迴圈神經網路 中的 迴圈 二字，不打算扔出任何公式，順便一提曾經困惑過我的keras中的輸入資料格式。我們經常可以看到有人說，lstm適合時序序列，變長序列，尤其適合自然語言處理。那麼是什麼賦予它可以處理變長序列的...
Keras中堆疊新增GRU
from keras.layers import lstm,gru是的，這兩模型可以同時引入。model sequential model.add gru 100,dropout 0.2,recurrent dropout 0.2,return sequences true,input shape ...