Sequential 模型 API
在閱讀這片文檔前，請先閱讀 Keras Sequential 模型指引。
Sequential 模型方法
compile
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
用於配置訓練模型。
參數
- optimizer: 字符串（優化器名）或者優化器對象。詳見 optimizers。
- loss: 字符串（目標函數名）或目標函數。詳見 losses。 如果模型具有多個輸出，則可以通過傳遞損失函數的字典或列表，在每個輸出上使用不同的損失。模型將最小化的損失值將是所有單個損失的總和。
- metrics: 在訓練和測試期間的模型評估標准。通常你會使用
metrics = ['accuracy']。 要為多輸出模型的不同輸出指定不同的評估標准，還可以傳遞一個字典，如metrics = {'output_a'：'accuracy'}。 - loss_weights: 指定標量系數（Python浮點數）的可選列表或字典，用於加權不同模型輸出的損失貢獻。 模型將要最小化的損失值將是所有單個損失的加權和，由
loss_weights系數加權。 如果是列表，則期望與模型的輸出具有 1:1 映射。 如果是張量，則期望將輸出名稱（字符串）映射到標量系數。 - sample_weight_mode: 如果你需要執行按時間步采樣權重（2D 權重），請將其設置為
temporal。 默認為None，為采樣權重（1D）。如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的sample_weight_mode。 - weighted_metrics: 在訓練和測試期間，由 sample_weight 或 class_weight 評估和加權的度量標准列表。
- target_tensors: 默認情況下，Keras 將為模型的目標創建一個占位符，在訓練過程中將使用目標數據。相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數據），您可以通過
target_tensors參數指定它們。它應該是單個張量（對於單輸出 Sequential 模型）。 - **kwargs: 當使用 Theano/CNTK 后端時，這些參數被傳入
K.function。當使用 TensorFlow 后端時，這些參數被傳遞到tf.Session.run。
異常
- ValueError: 如果
optimizer,loss,metrics或sample_weight_mode這些參數不合法。
fit
fit(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)
以固定數量的輪次（數據集上的迭代）訓練模型。
參數
- x: 訓練數據的 Numpy 數組。 如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是
None（默認）。 - y: 目標（標簽）數據的 Numpy 數組。 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是
None（默認）。 - batch_size: 整數或
None。每次提度更新的樣本數。如果未指定，默認為 32. - epochs: 整數。訓練模型迭代輪次。一個輪次是在整個
x或y上的一輪迭代。請注意，與initial_epoch一起，epochs被理解為 「最終輪次」。模型並不是訓練了epochs輪，而是到第epochs輪停止訓練。 - verbose: 0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。
- callbacks: 一系列的
keras.callbacks.Callback實例。一系列可以在訓練時使用的回調函數。詳見 callbacks。 - validation_split: 在 0 和 1 之間浮動。用作驗證集的訓練數據的比例。模型將分出一部分不會被訓練的驗證數據，並將在每一輪結束時評估這些驗證數據的誤差和任何其他模型指標。驗證數據是混洗之前
x和y數據的最后一部分樣本中。 - validation_data: 元組
(x_val，y_val)或元組(x_val，y_val，val_sample_weights)，用來評估損失，以及在每輪結束時的任何模型度量指標。模型將不會在這個數據上進行訓練。這個參數會覆蓋validation_split。 - shuffle: 布爾值（是否在每輪迭代之前混洗數據）或者 字符串 (
batch)。batch是處理 HDF5 數據限制的特殊選項，它對一個 batch 內部的數據進行混洗。當steps_per_epoch非None時，這個參數無效。 - class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型 「更多關注」來自代表性不足的類的樣本。
- sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為
(samples, sequence_length)的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在compile()中指定sample_weight_mode="temporal"。 - initial_epoch: 開始訓練的輪次（有助於恢復之前的訓練）。
- steps_per_epoch: 在聲明一個輪次完成並開始下一個輪次之前的總步數（樣品批次）。使用 TensorFlow 數據張量等輸入張量進行訓練時，默認值
None等於數據集中樣本的數量除以 batch 的大小，如果無法確定，則為 1。 - validation_steps: 只有在指定了
steps_per_epoch時才有用。停止前要驗證的總步數（批次樣本）。
返回
一個 History 對象。其 History.history 屬性是連續 epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。
異常
- RuntimeError: 如果模型從未編譯。
- ValueError: 在提供的輸入數據與模型期望的不匹配的情況下。
evaluate
evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)
在測試模式，返回誤差值和評估標准值。
計算逐批次進行。
參數
- x: 訓練數據的 Numpy 數組。 如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是
None（默認）。 - y: 目標（標簽）數據的 Numpy 數組。 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是
None（默認）。 - batch_size: 整數或
None。每次提度更新的樣本數。如果未指定，默認為 32. - verbose: 0, 1。日志顯示模式。0 = 安靜模式, 1 = 進度條。
- sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為
(samples, sequence_length)的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在compile()中指定sample_weight_mode="temporal"。 - steps: 整數或
None。 聲明評估結束之前的總步數（批次樣本）。默認值None。
返回
標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。
predict
predict(x, batch_size=None, verbose=0, steps=None)
為輸入樣本生成輸出預測。
計算逐批次進行。
參數
- x: 輸入數據，Numpy 數組（或者如果模型有多個輸入，則為 Numpy 數組列表）。
- batch_size: 整數。如未指定，默認為 32。
- verbose: 日志顯示模式，0 或 1。
- steps: 聲明預測結束之前的總步數（批次樣本）。默認值
None。
返回
預測的 Numpy 數組。
異常
- ValueError: 如果提供的輸入數據與模型的期望數據不匹配，或者有狀態模型收到的數量不是批量大小的倍數。
train_on_batch
train_on_batch(x, y, sample_weight=None, class_weight=None)
一批樣品的單次梯度更新。
Arguments
- x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
- y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
- sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為
(samples, sequence_length)的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在compile()中指定sample_weight_mode="temporal"。 - class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型 「更多關注」來自代表性不足的類的樣本。
返回
標量訓練誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。
test_on_batch
test_on_batch(x, y, sample_weight=None) 在一批樣本上評估模型。
參數
- x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
- y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
- sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為
(samples, sequence_length)的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在compile()中指定sample_weight_mode="temporal"。
返回
標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。
predict_on_batch
predict_on_batch(x)
返回一批樣本的模型預測值。
參數
- x: 輸入數據，Numpy 數組或列表（如果模型有多輸入）。
返回
預測值的 Numpy 數組。
fit_generator
fit_generator(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 實例逐批生成的數據，按批次訓練模型。
生成器與模型並行運行，以提高效率。 例如，這可以讓你在 CPU 上對圖像進行實時數據增強，以在 GPU 上訓練模型。
keras.utils.Sequence 的使用可以保證數據的順序， 以及當 use_multiprocessing=True 時 ，保證每個輸入在每個 epoch 只使用一次。
參數
- generator: 一個生成器或 Sequence (
keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。 生成器的輸出應該為以下之一：- 一個
(inputs, targets)元組 - 一個
(inputs, targets, sample_weights)元組。 這個元組（生成器的單個輸出）表示一個獨立批次。因此，此元組中的所有數組必須具有相同的長度（等於此批次的大小）。不同的批次可能具有不同的大小。例如，如果數據集的大小不能被批量大小整除，則最后一批時期通常小於其他批次。生成器將無限地在數據集上循環。當運行到第steps_per_epoch時，記一個 epoch 結束。
- 一個
- steps_per_epoch: 整數。在聲明一個 epoch 完成並開始下一個 epoch 之前從
generator產生的總步數（批次樣本）。它通常應該等於你的數據集的樣本數量除以批量大小。可選參數Sequence：如果未指定，將使用len(generator)作為步數。 - epochs: 整數，數據的迭代總輪數。一個 epoch 是對所提供的整個數據的一輪迭代，由
steps_per_epoch所定義。請注意，與initial_epoch一起，參數epochs應被理解為 「最終輪數」。模型並不是訓練了epochs輪，而是到第epochs輪停止訓練。 - verbose: 日志顯示模式。0，1 或 2。0 = 安靜模式，1 = 進度條，2 = 每輪一行。
- callbacks:
keras.callbacks.Callback實例列表。在訓練時調用的一系列回調。詳見 callbacks。 - validation_data: 它可以是以下之一：
- 驗證數據的生成器或
Sequence實例 - 一個
(inputs, targets)元組 - 一個
(inputs, targets, sample_weights)元組。
- 驗證數據的生成器或
- validation_steps: 僅當
validation_data是一個生成器時才可用。 每個 epoch 結束時驗證集生成器產生的步數。它通常應該等於你的數據集的樣本數量除以批量大小。可選參數Sequence：如果未指定，將使用len(generator)作為步數。 - class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型 「更多關注」來自代表性不足的類的樣本。
- max_queue_size: 整數。生成器隊列的最大尺寸。如果未指定，
max_queue_size將默認為 10。 - workers: 整數。使用基於進程的多線程時啟動的最大進程數。如果未指定，
worker將默認為 1。如果為 0，將在主線程上執行生成器。 - use_multiprocessing: 如果 True，則使用基於進程的多線程。如果未指定，
use_multiprocessing將默認為False。請注意，因為此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。 - shuffle: 布爾值。是否在每輪迭代之前打亂 batch 的順序。只能與
Sequence(keras.utils.Sequence) 實例同用。在steps_per_epoch不為None是無效果。 - initial_epoch: 整數。開始訓練的輪次（有助於恢復之前的訓練）。
返回
一個 History 對象。其 History.history 屬性是連續 epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。
異常
- ValueError: 如果生成器生成的數據格式不正確。
例子
def generate_arrays_from_file(path): while True: with open(path) as f: for line in f: # 從文件中的每一行生成輸入數據和標簽的 numpy 數組 x1, x2, y = process_line(line) yield ({'input_1': x1, 'input_2': x2}, {'output': y}) model.fit_generator(generate_arrays_from_file('/my_file.txt'), steps_per_epoch=10000, epochs=10)
evaluate_generator
evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
在數據生成器上評估模型。
這個生成器應該返回與 test_on_batch 所接收的同樣的數據。
參數
- generator: 生成器，生成 (inputs, targets) 或 (inputs, targets, sample_weights)，或 Sequence (
keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。 - steps: 在停止之前，來自
generator的總步數 (樣本批次)。 可選參數Sequence：如果未指定，將使用len(generator)作為步數。 - max_queue_size: 生成器隊列的最大尺寸。
- workers: 整數。使用基於進程的多線程時啟動的最大進程數。如果未指定，
worker將默認為 1。如果為 0，將在主線程上執行生成器。 - use_multiprocessing: 如果 True，則使用基於進程的多線程。 請注意，因為此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。
- verbose：日志顯示模式，0 或 1。
返回
標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。
異常
- ValueError: 如果生成器生成的數據格式不正確。
predict_generator
predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
為來自數據生成器的輸入樣本生成預測。
這個生成器應該返回與 predict_on_batch 所接收的同樣的數據。
參數
- generator: 返回批量輸入樣本的生成器，或 Sequence (
keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。 - steps: 在停止之前，來自
generator的總步數 (樣本批次)。 可選參數Sequence：如果未指定，將使用len(generator)作為步數。 - max_queue_size: 生成器隊列的最大尺寸。
- workers: 整數。使用基於進程的多線程時啟動的最大進程數。如果未指定，
worker將默認為 1。如果為 0，將在主線程上執行生成器。 - use_multiprocessing: 如果 True，則使用基於進程的多線程。 請注意，因為此實現依賴於多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。
- verbose: 日志顯示模式， 0 或 1。
返回
預測值的 Numpy 數組。
異常
- ValueError: 如果生成器生成的數據格式不正確。
get_layer
get_layer(name=None, index=None)
根據名稱（唯一）或索引值查找網絡層。
如果同時提供了 name 和 index，則 index 將優先。
根據網絡層的名稱（唯一）或其索引返回該層。索引是基於水平圖遍歷的順序（自下而上）。
參數
- name: 字符串，層的名字。
- index: 整數，層的索引。
返回
一個層實例。
異常
- ValueError: 如果層的名稱或索引不正確。