Keras官方中文文件函式式模型API

為什麼叫「函式式模型」，請檢視「keras新手指南」的相關部分

keras的函式式模型為model，即廣義的擁有輸入和輸出的模型，我們使用model來初始化乙個函式式模型

from keras.models import model
from keras.layers import input, dense
a = input(shape=(32,))
b = dense(32)(a)
model = model(inputs=a, outputs=b)

在這裡，我們的模型以a為輸入，以b為輸出，同樣我們可以構造擁有多輸入和多輸出的模型

model = model(inputs=[a1, a2], outputs=[b1, b3, b3])

compile(self, optimizer, loss, metrics=none, loss_weights=none, sample_weight_mode=none, weighted_metrics=none, target_tensors=none)

本函式編譯模型以供訓練，引數有

當為引數傳入非法值時會丟擲異常

【tips】如果你只是載入模型並利用其predict，可以不用進行compile。在keras中，compile主要完成損失函式和優化器的一些配置，是為訓練服務的。predict會在內部進行符號函式的編譯工作（通過呼叫_make_predict_function生成函式），

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)

本函式用以訓練模型，引數有：

輸入資料與規定資料不匹配時會丟擲錯誤

fit函式返回乙個history的物件，其history.history屬性記錄了損失函式和其他指標的數值隨epoch變化的情況，如果有驗證集的話，也包含了驗證集的這些指標變化情況

evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=none)

本函式按batch計算在某些輸入資料上模型的誤差，其引數有：

本函式返回乙個測試誤差的標量值（如果模型沒有其他評價指標），或乙個標量的list（如果模型還有其他的評價指標）。model.metrics_names將給出list中各個值的含義。

如果沒有特殊說明，以下函式的引數均保持與fit的同名引數相同的含義

如果沒有特殊說明，以下函式的verbose引數（如果有）均只能取0或1

predict(self, x, batch_size=32, verbose=0)

本函式按batch獲得輸入資料對應的輸出，其引數有：

函式的返回值是**值的numpy array

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

本函式在乙個batch的資料上進行一次引數更新

函式返回訓練誤差的標量值或標量值的list，與evaluate的情形相同。

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

本函式在乙個batch的樣本上對模型進行評估

函式的返回與evaluate的情形相同

predict_on_batch(self, x)

本函式在乙個batch的樣本上對模型進行測試

函式返回模型在乙個batch上的**結果

fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=none, validation_data=none, validation_steps=none, class_weight=none, max_q_size=10, workers=1, pickle_safe=false, initial_epoch=0)

利用python的生成器，逐個生成資料的batch並進行訓練。生成器與模型將並行執行以提高效率。例如，該函式允許我們在cpu上進行實時的資料提公升，同時在gpu上進行模型訓練

函式的引數是：

epochs：整數，資料迭代的輪數

verbose：日誌顯示，0為不在標準輸出流輸出日誌資訊，1為輸出進度條記錄，2為每個epoch輸出一行記錄

validation_data：具有以下三種形式之一

validation_steps: 當validation_data為生成器時，本引數指定驗證集的生成器返回次數

class_weight：規定類別權重的字典，將類別對映為權重，常用於處理樣本不均衡問題。

sample_weight：權值的numpy array，用於在訓練時調整損失函式（僅用於訓練）。可以傳遞乙個1d的與樣本等長的向量用於對樣本進行1對1的加權，或者在面對時序資料時，傳遞乙個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請確定在編譯模型時新增了sample_weight_mode='temporal'。

workers：最大程序數

max_q_size：生成器佇列的最大容量

pickle_safe: 若為真，則使用基於程序的執行緒。由於該實現依賴多程序，不能傳遞non picklable（無法被pickle序列化）的引數到生成器中，因為無法輕易將它們傳入子程序中。

initial_epoch: 從該引數指定的epoch開始訓練，在繼續之前的訓練時有用。

函式返回乙個history物件

例子

def generate_arrays_from_file(path):
while 1:
f = open(path)
for line in f:
# create numpy arrays of input data
# and labels, from each line in the file
x1, x2, y = process_line(line)
yield (, )
f.close()
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
steps_per_epoch=10000, epochs=10)

evaluate_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=false)

本函式使用乙個生成器作為資料來源，來評估模型，生成器應返回與test_on_batch的輸入資料相同型別的資料。

函式的引數是：

predict_generator(self, generator, steps, max_queue_size=10, workers=1, use_multiprocessing=false, verbose=0)

從乙個生成器上獲取資料並進行**，生成器應返回與predict_on_batch輸入類似的資料

函式的引數是：

艾伯特(國內第一家人工智慧門戶

Keras官方中文文件函式式模型API

Keras官方中文文件效能評估Metrices

python官方 Python官方中文文件強勢來襲

keras中文版官方文件

Keras官方中文文件 函式式模型API

Keras官方中文文件 效能評估Metrices

python官方 Python官方中文文件強勢來襲

keras中文版官方文件

相關推薦

Keras官方中文文件函式式模型API

Keras官方中文文件效能評估Metrices