Sequential 序贯模型
序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。
Keras实现了很多层，包括core核心层，Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。
我们可以通过将层的列表传递给Sequential的构造函数，来创建一个Sequential模型。
from keras.models import Sequentialfrom keras.layers import Dense, Activation model = Sequential([ Dense(32, input_shape=(784,)), Activation('relu'), Dense(10), Activation('softmax'),]) |
也可以使用.add()方法将各层添加到模型中：
| 123 | model = Sequential()model.add(Dense(32, input_dim=784))model.add(Activation('relu')) |
指定输入数据的尺寸
模型需要知道它所期待的输入的尺寸（shape）。出于这个原因，序贯模型中的第一层（只有第一层，因为下面的层可以自动的推断尺寸）需要接收关于其输入尺寸的信息，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。有以下几种方法来做到这一点：
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。
某些 2D 层，例如
Dense，支持通过参数input_dim指定输入尺寸，某些 3D 时序层支持input_dim和input_length参数。如果你需要为你的输入指定一个固定的 batch 大小（这对 stateful RNNs 很有用），你可以传递一个
batch_size参数给一个层。如果你同时将batch_size=32和input_shape=(6, 8)传递给一个层，那么每一批输入的尺寸就为(32，6，8)。
因此下面的代码是等价的。
model = Sequential()model.add(Dense(32, input_shape=(784,))) model = Sequential()model.add(Dense(32, input_dim=784)) |
下面三种方法也是严格等价的
model = Sequential()model.add(LSTM(32, input_shape=(10, 64))) model = Sequential()model.add(LSTM(32, batch_input_shape=(None, 10, 64))) model = Sequential()model.add(LSTM(32, input_length=10, input_dim=64)) |
编译
在训练模型之前，我们需要配置学习过程，这是通过compile方法完成的，他接收三个参数：
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]) |
训练
Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练。为了训练一个模型，你通常会使用 fit 函数。文档详见此处。
# 对于具有2个类的单输入模型（二进制分类）： model = Sequential()model.add(Dense(32, activation='relu', input_dim=100))model.add(Dense(1, activation='sigmoid'))model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) # 生成虚拟数据import numpy as npdata = np.random.random((1000, 100))labels = np.random.randint(2, size=(1000, 1)) # 训练模型，以 32 个样本为一个 batch 进行迭代model.fit(data, labels, epochs=10, batch_size=32) |
# 对于具有10个类的单输入模型（多分类分类）： model = Sequential()model.add(Dense(32, activation='relu', input_dim=100))model.add(Dense(10, activation='softmax'))model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) # 生成虚拟数据import numpy as npdata = np.random.random((1000, 100))labels = np.random.randint(10, size=(1000, 1)) # 将标签转换为分类的 one-hot 编码one_hot_labels = keras.utils.to_categorical(labels, num_classes=10) # 训练模型，以 32 个样本为一个 batch 进行迭代model.fit(data, one_hot_labels, epochs=10, batch_size=32) |
例子
这里有几个可以帮助你开始的例子！
在 examples 目录 中，你可以找到真实数据集的示例模型：
CIFAR10 小图片分类：具有实时数据增强的卷积神经网络 (CNN)
IMDB 电影评论情感分类：基于词序列的 LSTM
Reuters 新闻主题分类：多层感知器 (MLP)
MNIST 手写数字分类：MLP 和 CNN
基于 LSTM 的字符级文本生成
基于多层感知器 (MLP) 的 softmax 多分类：
import kerasfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activationfrom keras.optimizers import SGD # 生成虚拟数据import numpy as npx_train = np.random.random((1000, 20))y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)x_test = np.random.random((100, 20))y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10) model = Sequential()# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。# 在第一层必须指定所期望的输入数据尺寸：# 在这里，是一个 20 维的向量。model.add(Dense(64, activation='relu', input_dim=20))model.add(Dropout(0.5))model.add(Dense(64, activation='relu'))model.add(Dropout(0.5))model.add(Dense(10, activation='softmax')) sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy']) model.fit(x_train, y_train, epochs=20, batch_size=128)score = model.evaluate(x_test, y_test, batch_size=128) |
基于多层感知器的二分类：
import numpy as npfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout # 生成虚拟数据x_train = np.random.random((1000, 20))y_train = np.random.randint(2, size=(1000, 1))x_test = np.random.random((100, 20))y_test = np.random.randint(2, size=(100, 1)) model = Sequential()model.add(Dense(64, input_dim=20, activation='relu'))model.add(Dropout(0.5))model.add(Dense(64, activation='relu'))model.add(Dropout(0.5))model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit(x_train, y_train, epochs=20, batch_size=128)score = model.evaluate(x_test, y_test, batch_size=128) |
类似VGG的卷积神经网络
import numpy as npimport kerasfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Flattenfrom keras.layers import Conv2D, MaxPooling2Dfrom keras.optimizers import SGD # 生成虚拟数据x_train = np.random.random((100, 100, 100, 3))y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)x_test = np.random.random((20, 100, 100, 3))y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10) model = Sequential()# 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。# 使用 32 个大小为 3x3 的卷积滤波器。model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))model.add(Conv2D(32, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25)) model.add(Conv2D(64, (3, 3), activation='relu'))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25)) model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(10, activation='softmax')) sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd) model.fit(x_train, y_train, batch_size=32, epochs=10)score = model.evaluate(x_test, y_test, batch_size=32) |
基于LSTM的序列分类
from keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.layers import Embeddingfrom keras.layers import LSTM model = Sequential()model.add(Embedding(max_features, output_dim=256))model.add(LSTM(128))model.add(Dropout(0.5))model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=16, epochs=10)score = model.evaluate(x_test, y_test, batch_size=16) |
基于 1D 卷积的序列分类：
from keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.layers import Embeddingfrom keras.layers import Conv1D, GlobalAveragePooling1D, MaxPooling1D model = Sequential()model.add(Conv1D(64, 3, activation='relu', input_shape=(seq_length, 100)))model.add(Conv1D(64, 3, activation='relu'))model.add(MaxPooling1D(3))model.add(Conv1D(128, 3, activation='relu'))model.add(Conv1D(128, 3, activation='relu'))model.add(GlobalAveragePooling1D())model.add(Dropout(0.5))model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=16, epochs=10)score = model.evaluate(x_test, y_test, batch_size=16) |
基于栈式 LSTM 的序列分类
在这个模型中，我们将 3 个 LSTM 层叠在一起，使模型能够学习更高层次的时间表示。
前两个 LSTM 返回完整的输出序列，但最后一个只返回输出序列的最后一步，从而降低了时间维度（即将输入序列转换成单个向量）。
from keras.models import Sequentialfrom keras.layers import LSTM, Denseimport numpy as np data_dim = 16timesteps = 8num_classes = 10 # 期望输入数据尺寸: (batch_size, timesteps, data_dim)model = Sequential()model.add(LSTM(32, return_sequences=True, input_shape=(timesteps, data_dim))) # 返回维度为 32 的向量序列model.add(LSTM(32, return_sequences=True)) # 返回维度为 32 的向量序列model.add(LSTM(32)) # 返回维度为 32 的单个向量model.add(Dense(10, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy']) # 生成虚拟训练数据x_train = np.random.random((1000, timesteps, data_dim))y_train = np.random.random((1000, num_classes)) # 生成虚拟验证数据x_val = np.random.random((100, timesteps, data_dim))y_val = np.random.random((100, num_classes)) model.fit(x_train, y_train, batch_size=64, epochs=5, validation_data=(x_val, y_val)) |
带有状态 (stateful) 的 相同的栈式 LSTM 模型
有状态的循环神经网络模型中，在一个 batch 的样本处理完成后，其内部状态（记忆）会被记录并作为下一个 batch 的样本的初始状态。这允许处理更长的序列，同时保持计算复杂度的可控性。
你可以在 FAQ 中查找更多关于 stateful RNNs 的信息。
from keras.models import Sequentialfrom keras.layers import LSTM, Denseimport numpy as np data_dim = 16timesteps = 8num_classes = 10batch_size = 32 # 期望输入数据尺寸: (batch_size, timesteps, data_dim)# 请注意，我们必须提供完整的 batch_input_shape，因为网络是有状态的。# 第 k 批数据的第 i 个样本是第 k-1 批数据的第 i 个样本的后续。model = Sequential()model.add(LSTM(32, return_sequences=True, stateful=True, batch_input_shape=(batch_size, timesteps, data_dim)))model.add(LSTM(32, return_sequences=True, stateful=True))model.add(LSTM(32, stateful=True))model.add(Dense(10, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy']) # 生成虚拟训练数据x_train = np.random.random((batch_size * 10, timesteps, data_dim))y_train = np.random.random((batch_size * 10, num_classes)) # 生成虚拟验证数据x_val = np.random.random((batch_size * 3, timesteps, data_dim))y_val = np.random.random((batch_size * 3, num_classes)) model.fit(x_train, y_train, batch_size=batch_size, epochs=5, shuffle=False, validation_data=(x_val, y_val)) |
Sequential模型方法
1 compile
| 12 | compile(self, optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) |
用于配置训练模型。
1.1 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。
1.2 异常
| 1 | ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。 |
2 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。
2.1 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）。
2.2 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）。
2.3 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。
3 evaluate
| 12 | evaluate(self, x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None) |
在测试模式，返回误差值和评估标准值。
计算逐批次进行。
3.1 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。
3.2 返回
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。
4 predict
| 1 | predict(self, x, batch_size=None, verbose=0, steps=None) |
为输入样本生成输出预测。
计算逐批次进行。
4.1 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。
4.2 返回
预测的 Numpy 数组。
4.3 异常
ValueError: 如果提供的输入数据与模型的期望数据不匹配，或者有状态模型收到的数量不是批量大小的倍数。
5 train_on_batch
| 1 | train_on_batch(self, x, y, class_weight=None, sample_weight=None) |
一批样品的单次梯度更新。
5.1 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。
5.2 返回
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。
6 test_on_batch
| 1 | test_on_batch(self, x, y, sample_weight=None) |
在一批样本上评估模型。
6.1 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。
6.2 返回
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。
7 predict_on_batch
| 1 | predict_on_batch(self, x) |
返回一批样本的模型预测值。
7.1 参数
x: 输入数据，Numpy 数组或列表（如果模型有多输入）。
7.2 返回
预测值的Numpy数组
8 fit_generator
it_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 生成器或 Sequence 实例逐批生成的数据，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。
keras.utils.Sequence 的使用可以保证数据的顺序， 以及当 use_multiprocessing=True 时 ，保证每个输入在每个 epoch 只使用一次。
8.1 参数
generator: 一个生成器或
Sequence(keras.utils.Sequence)。 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：
验证数据的生成器或
Sequence实例一个
(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）。
8.2 返回
一个 History 对象。
8.3 异常
ValueError: 如果生成器生成的数据格式不正确。
8.4 例
def generate_arrays_from_file(path): while 1: f = open(path) for line in f: # 从文件中的每一行生成输入数据和标签的 numpy 数组 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) |
9 evaluate_generator
| 12 | 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。
9.1 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。
9.2 返回
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。
9.3 异常
ValueError如果生成器生成的数据格式不正确
10 predict_generator
| 12 | 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。
10.1 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。
10.2 返回
预测值的 Numpy 数组。
10.3 异常
ValueError: 如果生成器生成的数据格式不正确。
11 get_layer
| 1 | get_layer(self, name=None, index=None) |
根据名称（唯一）或索引值查找网络层。
如果同时提供了 name 和 index，则 index 将优先。
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）。
11.1 参数
name: 字符串，层的名字。
index: 整数，层的索引。
11.2 返回
一个层实例。
11.3 异常
ValueError: 如果层的名称或索引不正确。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
