Keras官方中文文檔：函數式模型API

函數式模型接口

Keras的函數式模型爲Model，即廣義的擁有輸入和輸出的模型，咱們使用Model來初始化一個函數式模型

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)

在這裏，咱們的模型以a爲輸入，以b爲輸出，一樣咱們能夠構造擁有多輸入和多輸出的模型

model = Model(inputs=[a1, a2], outputs=[b1, b2, b3])

經常使用Model屬性

• model.layers：組成模型圖的各個層
• model.inputs：模型的輸入張量列表
• model.outputs：模型的輸出張量列表

Model模型方法

compile

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

　　

本函數編譯模型以供訓練，參數有

• optimizer：優化器，爲預約義優化器名或優化器對象，參考優化器

• loss：損失函數，爲預約義損失函數名或一個目標函數，參考損失函數

• metrics：列表，包含評估模型在訓練和測試時的性能的指標，典型用法是metrics=['accuracy']若是要在多輸出模型中爲不一樣的輸出指定不一樣的指標，可像該參數傳遞一個字典，例如metrics={'ouput_a': 'accuracy'}

• sample_weight_mode：若是你須要按時間步爲樣本賦權（2D權矩陣），將該值設爲「temporal」。默認爲「None」，表明按樣本賦權（1D權）。若是模型有多個輸出，能夠向該參數傳入指定sample_weight_mode的字典或列表。在下面fit函數的解釋中有相關的參考內容。

• weighted_metrics: metrics列表，在訓練和測試過程當中，這些metrics將由sample_weight或clss_weight計算並賦權

• target_tensors: 默認狀況下，Keras將爲模型的目標建立一個佔位符，該佔位符在訓練過程當中將被目標數據代替。若是你想使用本身的目標張量（相應的，Keras將不會在訓練時指望爲這些目標張量載入外部的numpy數據），你能夠經過該參數手動指定。目標張量能夠是一個單獨的張量（對應於單輸出模型），也能夠是一個張量列表，或者一個name->tensor的張量字典。

• kwargs：使用TensorFlow做爲後端請忽略該參數，若使用Theano/CNTK做爲後端，kwargs的值將會傳遞給 K.function。若是使用TensorFlow爲後端，這裏的值會被傳給tf.Session.run

當爲參數傳入非法值時會拋出異常

【Tips】若是你只是載入模型並利用其predict，能夠不用進行compile。在Keras中，compile主要完成損失函數和優化器的一些配置，是爲訓練服務的。predict會在內部進行符號函數的編譯工做（經過調用_make_predict_function生成函數），

 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)

　　

本函數用以訓練模型，參數有：

• x：輸入數據。若是模型只有一個輸入，那麼x的類型是numpy array，若是模型有多個輸入，那麼x的類型應當爲list，list的元素是對應於各個輸入的numpy array。若是模型的每一個輸入都有名字，則能夠傳入一個字典，將輸入名與其輸入數據對應起來。

• y：標籤，numpy array。若是模型有多個輸出，能夠傳入一個numpy array的list。若是模型的輸出擁有名字，則能夠傳入一個字典，將輸出名與其標籤對應起來。

• batch_size：整數，指定進行梯度降低時每一個batch包含的樣本數。訓練時一個batch的樣本會被計算一次梯度降低，使目標函數優化一步。

• epochs：整數，訓練終止時的epoch值，訓練將在達到該epoch值時中止，當沒有設置initial_epoch時，它就是訓練的總輪數，不然訓練的總輪數爲epochs - inital_epoch

• verbose：日誌顯示，0爲不在標準輸出流輸出日誌信息，1爲輸出進度條記錄，2爲每一個epoch輸出一行記錄

• callbacks：list，其中的元素是keras.callbacks.Callback的對象。這個list中的回調函數將會在訓練過程當中的適當時機被調用，參考回調函數

• validation_split：0~1之間的浮點數，用來指定訓練集的必定比例數據做爲驗證集。驗證集將不參與訓練，並在每一個epoch結束後測試的模型的指標，如損失函數、精確度等。注意，validation_split的劃分在shuffle以後，所以若是你的數據自己是有序的，須要先手工打亂再指定validation_split，不然可能會出現驗證集樣本不均勻。

• validation_data：形式爲（X，y）或（X，y，sample_weights）的tuple，是指定的驗證集。此參數將覆蓋validation_spilt。

• shuffle：布爾值，表示是否在訓練過程當中每一個epoch前隨機打亂輸入樣本的順序。

• class_weight：字典，將不一樣的類別映射爲不一樣的權值，該參數用來在訓練過程當中調整損失函數（只能用於訓練）。該參數在處理非平衡的訓練數據（某些類的訓練樣本數不多）時，可使得損失函數對樣本數不足的數據更加關注。

• sample_weight：權值的numpy array，用於在訓練時調整損失函數（僅用於訓練）。能夠傳遞一個1D的與樣本等長的向量用於對樣本進行1對1的加權，或者在面對時序數據時，傳遞一個的形式爲（samples，sequence_length）的矩陣來爲每一個時間步上的樣本賦不一樣的權。這種狀況下請肯定在編譯模型時添加了sample_weight_mode='temporal'。

• initial_epoch: 從該參數指定的epoch開始訓練，在繼續以前的訓練時有用。

• steps_per_epoch: 一個epoch包含的步數（每一步是一個batch的數據送入），當使用如TensorFlow數據Tensor之類的輸入張量進行訓練時，默認的None表明自動分割，即數據集樣本數/batch樣本數。

• validation_steps: 僅當steps_per_epoch被指定時有用，在驗證集上的step總數。

輸入數據與規定數據不匹配時會拋出錯誤

fit函數返回一個History的對象，其History.history屬性記錄了損失函數和其餘指標的數值隨epoch變化的狀況，若是有驗證集的話，也包含了驗證集的這些指標變化狀況

evaluate

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

　　

本函數按batch計算在某些輸入數據上模型的偏差，其參數有：

• x：輸入數據，與fit同樣，是numpy array或numpy array的list

• y：標籤，numpy array

• batch_size：整數，含義同fit的同名參數

• verbose：含義同fit的同名參數，但只能取0或1

• sample_weight：numpy array，含義同fit的同名參數

本函數返回一個測試偏差的標量值（若是模型沒有其餘評價指標），或一個標量的list（若是模型還有其餘的評價指標）。model.metrics_names將給出list中各個值的含義。

若是沒有特殊說明，如下函數的參數均保持與fit的同名參數相同的含義

若是沒有特殊說明，如下函數的verbose參數（若是有）均只能取0或1

predict

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

　　

本函數按batch得到輸入數據對應的輸出，其參數有：

函數的返回值是預測值的numpy array

train_on_batch

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

　　

本函數在一個batch的數據上進行一次參數更新

函數返回訓練偏差的標量值或標量值的list，與evaluate的情形相同。

 

test_on_batch

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

　　

本函數在一個batch的樣本上對模型進行評估

函數的返回與evaluate的情形相同

---

predict_on_batch

predict_on_batch(self, x)

　　

本函數在一個batch的樣本上對模型進行測試

函數返回模型在一個batch上的預測結果

---

fit_generator

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，逐個生成數據的batch並進行訓練。生成器與模型將並行執行以提升效率。例如，該函數容許咱們在CPU上進行實時的數據提高，同時在GPU上進行模型訓練

函數的參數是：

• generator：生成器函數，生成器的輸出應該爲：

  • 一個形如（inputs，targets）的tuple

  • 一個形如（inputs, targets,sample_weight）的tuple。全部的返回值都應該包含相同數目的樣本。生成器將無限在數據集上循環。每一個epoch以通過模型的樣本數達到samples_per_epoch時，記一個epoch結束

• steps_per_epoch：整數，當生成器返回steps_per_epoch次數據時計一個epoch結束，執行下一個epoch

• epochs：整數，數據迭代的輪數

• verbose：日誌顯示，0爲不在標準輸出流輸出日誌信息，1爲輸出進度條記錄，2爲每一個epoch輸出一行記錄

• validation_data：具備如下三種形式之一

  • 生成驗證集的生成器

  • 一個形如（inputs,targets）的tuple

  • 一個形如（inputs,targets，sample_weights）的tuple

• validation_steps: 當validation_data爲生成器時，本參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，將類別映射爲權重，經常使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數（僅用於訓練）。能夠傳遞一個1D的與樣本等長的向量用於對樣本進行1對1的加權，或者在面對時序數據時，傳遞一個的形式爲（samples，sequence_length）的矩陣來爲每一個時間步上的樣本賦不一樣的權。這種狀況下請肯定在編譯模型時添加了sample_weight_mode='temporal'。

• workers：最大進程數

• max_q_size：生成器隊列的最大容量

• pickle_safe: 若爲真，則使用基於進程的線程。因爲該實現依賴多進程，不能傳遞non picklable（沒法被pickle序列化）的參數到生成器中，由於沒法輕易將它們傳入子進程中。

• initial_epoch: 從該參數指定的epoch開始訓練，在繼續以前的訓練時有用。

函數返回一個History對象

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 ({'input_1': x1, 'input_2': x2}, {'output': y})
    f.close()
 
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
        steps_per_epoch=10000, epochs=10)

　　

evaluate_generator

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

本函數使用一個生成器做爲數據源，來評估模型，生成器應返回與test_on_batch的輸入數據相同類型的數據。

函數的參數是：

• generator：生成輸入batch數據的生成器

• val_samples：生成器應該返回的總樣本數

• steps：生成器要返回數據的輪數

• max_q_size：生成器隊列的最大容量

• nb_worker：使用基於進程的多線程處理時的進程數

• pickle_safe：若設置爲True，則使用基於進程的線程。注意由於它的實現依賴於多進程處理，不可傳遞不可pickle的參數到生成器中，由於它們不能輕易的傳遞到子進程中。

---

predict_generator

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

　　

從一個生成器上獲取數據並進行預測，生成器應返回與predict_on_batch輸入相似的數據

函數的參數是：

• generator：生成輸入batch數據的生成器

• val_samples：生成器應該返回的總樣本數

• max_q_size：生成器隊列的最大容量

• nb_worker：使用基於進程的多線程處理時的進程數

• pickle_safe：若設置爲True，則使用基於進程的線程。注意由於它的實現依賴於多進程處理，不可傳遞不可pickle的參數到生成器中，由於它們不能輕易的傳遞到子進程中。

轉載於:https://blog.csdn.net/weixin_30716141/article/details/99481089?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control