Sequential 顺序模型 API
- 常用 Sequential 属性
- Sequential 模型方法

Sequential 顺序模型 API

常用 Sequential 属性

model.layers 是添加到模型的层的列表。

Sequential 模型方法

compile

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

用于配置训练模型。

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。

异常

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

例

model = Sequential()
model.add(Dense(32, input_shape=(500,)))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

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。

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）。

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）。

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。

evaluate

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

计算一些输入数据的误差，逐批次。

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。

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。

异常

RuntimeError: 如果模型从未编译。

predict

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

为输入样本生成输出预测。

输入样本逐批处理。

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。

预测的 Numpy 数组。

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。

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。

标量训练误差（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。

异常

RuntimeError: 如果模型从未编译。

test_on_batch

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

在一批样本上评估模型。

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。

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。

异常

RuntimeError: 如果模型从未编译。

predict_on_batch

predict_on_batch(self, x)

返回一批样本的模型预测值。

参数

x: 输入数据，Numpy 数组或列表（如果模型有多输入）。

预测值的 Numpy 数组。

fit_generator

fit_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。

参数

generator: 一个生成器。
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
- 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）。

一个 History 对象。

异常

RuntimeError: 如果模型从未编译。

例

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
            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)

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。

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。

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。

异常

RuntimeError: 如果模型从未编译。

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。

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。

预测值的 Numpy 数组。

get_layer

get_layer(self, name=None, index=None)

提取模型的某一层。

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）。

参数

name: 字符串，层的名字。
index: 整数，层的索引。

一个层实例。