Keras模型-模型参数

r囧r小猫 2021-11-14 11:40 428阅读 0赞

# keras模型 #

## Sequential模型 ##

keras一般用Sequential模型作为搭建神经网络的开始，本节开始论述Sequential模型接口的主要使用方法

### add ###

定义：add(self,layer)  
用途：向模型中添加一个层  
参数layer是Layer对象，也即是层

### pop ###

定义：pop(self)  
用途：弹出模型最后的一层，无返回值，该方法一般很少用到

### compile() ###

定义：

> compile(self,optimizer,loss,metrics=None,sample\_weight\_mode=None)  
> 该方法编译用来配置模型的学习过程，其参数由以下这些：

*  optimizer:字符串（预定义优化器名）或优化器对象，参考优化器
 *  loss:字符串或目标函数，参考损失函数
 *  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:如果你需要按时间步为样本赋权，将该值设为“temporal”，默认为“None”，代表样本赋权（1D权）
 *  kwargs:使用Tensorflow作为后盾请忽略该参数，如果使用theano作为后端，kwargs的值将会传递给K.function

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

该例子添加两个dense层，并用rmsprop优化器进行优化，损失函数定义为categorical\_crossentroy，各种损失函数的含义在后面章节中会提高

### fit ###

定义

> fit(self,x,y,batch\_size=32,epochs=10,verbose=1,callbacks=None,validation\_split=0.0,validation\_data=None,shuffle=True,class\_weigtht=None,sample\_weight=None,initial\_epoch=0)

本函数将模型训练epoch轮，其参数由

*  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的类型应该是list，list的元素是对应于各个输入的numpy array
 *  y:标签向量，numpy array类型
 *  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，使用目标函数优化一次
 *  epochs:训练的轮数，每个epoch会把训练集轮一遍
 *  verbose 日志显示，0为不在标准输出日志信息，1为输出进度记录，2为每个epoch输出一行记录
 *  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：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。注意，validation\_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation\_split，否则可能会出现验证集样本不均匀。
 *  validation\_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation\_spilt参数。
 *  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：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：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’。
 *  initial\_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。

fit 函数会返回一个History的对象，其中History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标的变化情况

### evaluate ###

定义：

> evaluate(self,x,y,batch\_size=32,verbose=1,sample\_weight=None)

本函数按照batch计算在某些输入数据上模型的误差，其参数由

*  x:输入数据，与fit一样，是array或者numpy array的list
 *  y:标签，numpy array
 *  batch\_size：整数，含义和fit的同名参数
 *  verbose:含义和fit的同名参数，但只有取0-1
 *  sample\_weight：numpy array，含义同fit的同名参数

### predict ###

> predict(self,x,batch\_size=32,verbose=0)

本函数按batch获得输入数据对应的预测结果，其中x是输入向量，batch\_size是每批次选取的数据集数量。

函数的返回值是预测值的numpy array。

### predict\_classes ###

> predict\_classes(self, x, batch\_size=32, verbose=1)

本函数按batch产生输入数据的类别预测结果，它和predict的区别是：

Predict返回各个类别的可能性结果，是一个n维向量，n等于类别的数量；而predict\_classes返回的是最可能的类别，对每个输入返回的是类别名称。

函数的返回值是类别预测结果的numpy array或numpy。

### 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，逐个生成数据的batch并进行训练。生成器与模型将并行执行以提高效率。例如，该函数允许我们在CPU上进行实时的数据提升，同时在GPU上进行模型训练。

函数的参数是：

*  generator：生成器函数，生成器的输出应该为：

a) 一个形如（inputs，targets）的tuple。

b) 一个形如（inputs, targets,sample\_weight）的tuple。所有的返回值都应该包含相同数目的样本。生成器将无限在数据集上循环。每个epoch以经过模型的样本数达到samples\_per\_epoch时，记一个epoch结束。

*  steps\_per\_epoch：整数，当生成器返回steps\_per\_epoch次数据时计一个epoch结束，执行下一个epoch。
 *  epochs：整数，数据迭代的轮数。
 *  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。
 *  validation\_data：具有以下三种形式之一。

a) 生成验证集的生成器。

b) 一个形如（inputs,targets）的tuple。

c) 一个形如（inputs,targets，sample\_weights）的tuple。

*  validation\_steps: 当validation\_data为生成器时，本参数指定验证集的生成器返回次数。
 *  class\_weight：规定类别权重的字典，将类别映射为权重，常用于处理样本不均衡问题。
 *  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’。
 *  workers：最大进程数。
 *  max\_q\_size：生成器队列的最大容量。
 *  pickle\_safe: 若为真，则使用基于进程的线程。由于该实现依赖多进程，不能传递non picklable（无法被pickle序列化）的参数到生成器中，因为无法轻易将它们传入子进程中。
 *  initial\_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。

## 常用层 ##

keras的层即是网络层的意思。包括了常用层，卷积层，池化层，嵌入层，循环层，融合层，噪音层等多种类比e

这一节介绍常用的层，常用的层对应core模块，core内部定义了一些列常用的网络层，包含了全连接层，激活层等

### Dense层 ###

Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use\_bias=True才会添加。

> keras.layers.core.Dense(units, activation=None, use\_bias=True, kernel\_initializer=‘glorot\_uniform’, bias\_initializer=‘zeros’, kernel\_regularizer=None, bias\_regularizer=None, activity\_regularizer=None, kernel\_constraint=None, bias\_constraint=None)

如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。这里是一个使用示例，将16个节点的层全连接到32个节点：

# as first layer in a sequential model:
    model = Sequential()
    model.add(Dense(32, input_shape=(16,)))
    # now the model will take as input arrays of shape (*, 16)
    # and output arrays of shape (*, 32)

*  units：大于0的整数，代表该层的输出维度。
 *  activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）。
 *  use\_bias: 布尔值，是否使用偏置项。
 *  kernel\_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers。
 *  bias\_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers。
 *  kernel\_regularizer：kernal权重向量的正则化函数，是Regularizer对象。
 *  bias\_regularizer：bias偏置向量的正则化函数，是Regularizer对象。
 *  activity\_regularizer：输出函数或激活函数的正则化函数，为Regularizer对象。
 *  kernel\_constraints：kernal权重向量的约束函数，是Constraints对象。
 *  bias\_constraints：bias偏移向量的约束函数，是Constraints对象。

kernel\_regularizer，bias\_regularizer，activity\_regularizer，kernel\_constraints，bias\_constraints这些参数一般都使用默认值，不需要专门设置。

**输入**

形如(nb\_samples, …, input\_shape\[1\])的nD张量，最常见的情况为(nb\_samples, input\_dim)的2D张量。

**输出**

形如(nb\_samples, …, units)的nD张量，最常见的情况为(nb\_samples, output\_dim)的2D张量。

### Activation层 ###

Activation层用于设置激活函数，激活函数用于在模型中引入非线性。

激活函数sigmoid 与 tanh 曾经很流行，但现在很少用于视觉模型了，主要原因在于当输入的绝对值较大时，其导数接近于零，梯度的反向传播过程将被中断，出现梯度消散的现象。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob25nbG9uZ3NoZW4_size_16_color_FFFFFF_t_70]  
ReLU 是一个很好的替代：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob25nbG9uZ3NoZW4_size_16_color_FFFFFF_t_70 1]  
相比于 sigmoid 与 tanh，它有两个优势：

*  没有饱和问题，大大缓解了梯度消散的现象，加快了收敛速度。
 *  实现起来非常简单，加速了计算过程。

Keras中设置激活函数使用下列方法：

> keras.layers.core.Activation(activation)

参数

activation：将要使用的激活函数，为预定义激活函数名或一个Tensorflow/Theano的函数。可选值包括：tanh，relu，elu，softsign，linear，softmax等等，具体可参考预定义激活函数。

输入shape

任意，当使用激活层作为第一层时，要指定input\_shape。

输出shape

与输入shape相同。

***预定义激活函数***

softmax：对输入数据的最后一维进行softmax，输入数据应形如(nb\_samples, nb\_timesteps, nb\_dims)或(nb\_samples,nb\_dims)

**elu  
softplus  
softsign  
relu  
tanh  
sigmoid  
hard\_sigmoid  
linear**

### Dropout层 ###

> keras.layers.core.Dropout(rate, noise\_shape=None, seed=None)

为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（rate）的输入神经元，Dropout层用于防止过拟合。

**参数**

*  rate：0-1的浮点数，控制需要断开的神经元的比例

### Flatten层 ###

**Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。**

model = Sequential()
    model.add(Convolution2D(64, 3, 3,
                border_mode='same',
                input_shape=(3, 32, 32)))
    # now: model.output_shape == (None, 64, 32, 32)
    
    model.add(Flatten())
    # now: model.output_shape == (None, 65536)

卷积操作将（3,32,32）格式的图像数据转换成（64,32,32）格式，Flatten的结果则是64*32*32=65536。

## **卷积层** ##

以下内容来自于Keras官网，为简单起见，本书只讨论1D和2D卷积，并且举一个2D卷积的例子。其他卷积方式可参考官网文档。

什么叫卷积？比如（3,3）卷积，其含义就是每次将3\*3=9个特征值根据卷积算法合并成一个特征值，常用的卷积算法有以下几种：

*  平均值：取9个特征值的平均值作为新的特征值。
 *  最大值：取9个特征值中最大值作为新的特征值。
 *  最小值：取9个特征值中最小值作为新的特征值。

当然还可以有其他类型的卷积算法。

卷积的时候还有个重要的概念就是步长，用参数strides表示。下面举例说明：

如果步长是(1,1)，那么第一个卷积从\[0,0\]到\[2,2\]这9个特征合并成一个值，下一次卷积从\[1,1\]到\[3,3\]，对于9*9大小的矩阵，全部卷积后就是7*7大小的矩阵。

### Conv1D层 ###

keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

一维卷积层（即时域卷积），作用是在一维输入信号上进行邻域滤波。当使用该层作为首层时，需要提供关键参数input\_shape。例如(10,128)代表一个长为10的序列，序列中每个信号为128向量。而(None, 128)代表变长的128维向量序列。

该层将输入信号与卷积核按照单一的空域（或时域）方向进行卷积。如果use\_bias=True，则还会加上一个偏置项，若activation不为None，则输出为经过激活函数的输出。

### Conv2D层 ###

> keras.layers.convolutional.Conv2D(  
> filters, kernel\_size,strides=(1,1),  
> padding=‘valid’,  
> data\_format=None,  
> dilation\_rate=(1,1),  
> activation=None,  
> use\_bias=True,  
> kernel\_initializer=‘glorot\_uniform’,  
> bias\_initializer=‘zeros’,  
> kernel\_regularizer=None,  
> bias\_regularizer=None,  
> activity\_regularizer=None,  
> kernel\_constraint=None,  
> bias\_constraint=None)

将二维向量进行卷积，当使用该层作为第一层时，应提供input\_shape参数。

二维卷积层对二维输入进行滑动窗卷积，当使用该层作为第一层时，应提供input\_shape参数。例如input\_shape = (128,128,3)代表128\*128的彩色RGB图像（data\_format=‘channels\_last’），通道数放在最后一个维度，还有一种是input\_shape = (3,128,128) ，通道数放在第一个维度。  
参数

filters：卷积核的数目（即输出的维度）。

kernel\_size：单个整数或由两个整数构成的list/tuple，卷积核的宽度和长度。如为单个整数，则表示在各个空间维度的相同长度。

strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation\_rata均不兼容。

padding：补0策略，为“valid”, “same”。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。

activation：激活函数，为预定义的激活函数名（参考激活函数），或逐元素（element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）。

dilation\_rate：单个整数或由两个个整数构成的list/tuple，指定dilated convolution中的膨胀比例。任何不为1的dilation\_rata均与任何不为1的strides均不兼容。

data\_format：字符串，“channels\_first”或“channels\_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image\_dim\_ordering，“channels\_last”对应原本的“tf”，“channels\_first”对应原本的“th”。以128x128的RGB图像为例，“channels\_first”应将数据组织为（3,128,128），而“channels\_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels\_last”。

use\_bias:布尔值，是否使用偏置项。

kernel\_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers。

bias\_initializer：权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。参考initializers。

kernel\_regularizer：施加在权重上的正则项，为Regularizer对象。

bias\_regularizer：施加在偏置向量上的正则项，为Regularizer对象。

activity\_regularizer：施加在输出上的正则项，为Regularizer对象。

kernel\_constraints：施加在权重上的约束项，为Constraints对象。

bias\_constraints：施加在偏置上的约束项，为Constraints对象。

**输入shape**

‘channels\_first’模式下，输入形如（samples,channels，rows，cols）的4D张量。

‘channels\_last’模式下，输入形如（samples，rows，cols，channels）的4D张量。

注意这里的输入shape指的是函数内部实现的输入shape，而非函数接口应指定的input\_shape。  
**输出shape**

‘channels\_first’模式下，为形如（samples，nb\_filter, new\_rows, new\_cols）的4D张量。

‘channels\_last’模式下，为形如（samples，new\_rows, new\_cols，nb\_filter）的4D张量。

输出的行列数和卷积核的大小以及填充方法有关。

**例子**

一般我们说一张图片的宽度为width：W，高度为height：H，这张图片的的通道数为D，一般目前都用RGB三通道的D=3，但是为了通用性表示为D。

卷积核大小为K*K，因为处理的图片是D通道的，因此卷积核其实也就是K*K*D大小的，RGB三通道，指定了kernel\_size的前提下，真正的卷积核大小是kernel\_size*kernel\_size\*3。

对于D各通道而言，是在每个通道上分别执行二维卷积，然后将D个通道加起来，得到该位置的二维卷积输出，对于RGB三通道而言，就是在R,G,B三个通道上分别使用对应的每个通道上的kernel\_size*kernel\_size大小的核去卷积每个通道上的W*H的图片，然后将三个通道卷积得到的输出相加，得到M个二维卷积输出结果，在有padding的情况下，能保持输出图片大小和原来的一样。

在VALID模式下，抛弃右边不够卷积的元素，本例子采用默认滑动窗口大小（1，1）。

对于Samples为10的‘channels\_first’张量，假设输入shape为（10，3，28，28），并设置卷积核数目为32，卷积核大小为（3，3），则输出张量为（10，32，26，26）。

对于VALID模式，用（3，3）卷积核来卷积shape大小为（28，28）的向量时，最右边的（2，2）元素被抛弃，因此输出shape为（26，26）。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob25nbG9uZ3NoZW4_size_16_color_FFFFFF_t_70]: /images/20211114/9c8a231b7c714d23ac1ae0589d080b0b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob25nbG9uZ3NoZW4_size_16_color_FFFFFF_t_70 1]: /images/20211114/2d4b19a150f348ce8f54163bceab1ff8.png