Keras-Sequential模型（2）

重点介绍Sequential模型方法

compile

compile(self, optimizer, loss, metrics=[], sample_weight_mode=None, **kwargs)

编译用来配置模型的学习过程，其参数有：

• optimizer: str (name of optimizer) or optimizer object.

  optimizer:字符串（预定义优化器名）或优化器对象，参考优化器

• loss: str (name of objective function) or objective function.

  loss:字符串（预定义损失函数名）或目标函数

• metrics: list of metrics to be evaluated by the model.during training and testing.Typically you will use “metrics=[‘accuracy’] “.

  metrics:列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=[‘accuracy’]

• sample_weight_mode: if you need to do timestep-wise.sample weighting (2D weights), set this to “temporal”.”None” defaults to sample-wise weights (1D).

  sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal”。默认为“None”，代表按样本赋权（1D权）

• kwargs: for Theano backend, these are passed into K.function.

  kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano作为后端，kwargs的值将会传递给 K.function

• example:

  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, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, **kwargs)

本函数将模型训练nb_epoch轮，其参数有：

• x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).

  x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array

• y: labels, as a Numpy array.

  y：标签，numpy array

• batch_size: integer. Number of samples per gradient update.

  batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。

• nb_epoch: integer, the number of epochs to train the model.

  nb_epoch：整数，训练的轮数，训练数据将会被遍历nb_epoch次。Keras中nb开头的变量均为”number of”的意思

• verbose: 0 for no logging to stdout,1 for progress bar logging, 2 for one log line per epoch.

  verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录。

• callbacks: list of ‘keras.callbacks.Callback’instances.List of callbacks to apply during training.

  callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数.

• validation_split: float (0. < x < 1).Fraction of the data to use as held-out validation data.

  validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。

• validation_data: tuple (x_val, y_val) or tuple (x_val, y_val, val_sample_weights) to be used as held-out validation data. Will override validation_split.

  validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。

• shuffle: boolean or str (for ‘batch’).Whether to shuffle the samples at each epoch.’batch’ is a special option for dealing with the limitations of HDF5 data; it shuffles in batch-sized chunks

  shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。

• class_weight: dictionary mapping classes to a weight value, used for scaling the loss function (during training only).

  class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）

• sample_weight: Numpy array of weights for the training samples, used for scaling the loss function(during training only). You can either pass a flat (1D) Numpy array with the same length as the input samples (1:1 mapping between weights and samples), or in the case of temporal data, you can pass a 2D array with shape (samples, sequence_length), to apply a different weight to every timestep of every sample. In this case you should make sure to specify sample_weight_mode=”temporal” in compile().

  sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=’temporal’。

evaluate

evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None, **kwargs)

本函数按batch计算在某些输入数据上模型的误差，其参数有：

• x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).

  x：输入数据，与fit一样，是numpy array或numpy array的list

• y: labels, as a Numpy array.

  y：标签，numpy array

• batch_size: integer. Number of samples per gradient update.

  batch_size：整数，含义同fit的同名参数

• verbose: verbosity mode, 0 or 1.

  verbose：含义同fit的同名参数，但只能取0或1

• sample_weight: sample weights, as a Numpy array.

  sample_weight：numpy array，含义同fit的同名参数

本函数返回一个测试误差的标量值（如果模型没有其他评价指标），或一个标量的list（如果模型还有其他的评价指标）。
model.metrics_names将给出list中各个值的含义。