【Python-Keras】Keras搭建神经网络模型的Model解析与使用

男娘i 2023-01-02 07:26 367阅读 0赞

### 目录 ###

*  1 作用
 *  2 API介绍
 *   *  2.1 Model.compile()
     *  2.2 Model.fit()
     *  2.3 Model.evaluate()
     *  2.4 Model.predict()
     *  2.5 Model.train\_on\_batch()
     *  2.6 Model.test\_on\_batch()
     *  2.7 Model.predict\_on\_batch()
 *  3 使用
 *   *  3.1 Sequential序贯模型
     *  3.2 Model函数式模型

# 1 作用 #

用于搭建和配置神经网络训练的模型，通过Model这个方法可以调用很多API去实现训练神经网络。

# 2 API介绍 #

## 2.1 Model.compile() ##

配置训练模型

Model.compile(
        optimizer="rmsprop",#优化器
        loss=None,#损失函数的函数名
        metrics=None,#模型在训练和测试期间要评估的指标列表，默认是accuracy
        loss_weights=None,#用于指定标量系数（Python浮点数）以加权不同模型输出的损耗贡献。然后，将由模型最小化的损失值将是所有单个损失的加权总和，并由loss_weights系数加权 。如果是列表，则期望与模型的输出具有1：1映射。如果是字典，则期望将输出名称（字符串）映射到标量系数。
        weighted_metrics=None,#在训练和测试期间要通过sample_weight或class_weight评估和加权的指标列表。
        run_eagerly=None,#默认为False
        steps_per_execution=None,#运行的批处理数,默认为1
    )

## 2.2 Model.fit() ##

配置训练数据集的相关参数

Model.fit(
        x=None,#输入数据
        y=None,#目标数据
        batch_size=None,#批量大小
        epochs=1,#训练轮数
        verbose=1,#0、1或2。详细模式。0 =静音，1 =进度条，2 =每个epoch输出一行
        callbacks=None,#训练期间要应用的回调列表
        validation_split=0.0,#验证集划分数据集的百分比，在0到1之间，
        validation_data=None,#验证集
        shuffle=True,#是否打乱数据集
        class_weight=None,#用于对损失函数加权（仅在训练过程中）
        sample_weight=None,#训练样本的可选Numpy权重数组，用于加权损失函数（仅在训练过程中）
        initial_epoch=0,#开始训练的epoch（用于恢复以前的训练运行）
        steps_per_epoch=None,#一个epoch完成并开始下一个epoch之前的总步数
        validation_steps=None,#在每个epoch结束时执行验证时，在停止之前要绘制的步骤总数（样本批次）
        validation_batch_size=None,#每个验证批次的样品数量,默认=batch-size
        validation_freq=1,#如果为整数，则指定在执行新的验证运行之前要运行多少个训练epoch
        max_queue_size=10,#生成器队列的最大大小,默认=10
        workers=1,#使用基于进程的线程时，要启动的最大进程数
        use_multiprocessing=False,#是否开启基于进程的线程
    )

## 2.3 Model.evaluate() ##

返回测试模式下模型的损失值和指标值。分批进行计算

Model.evaluate(
        x=None,#输入数据
        y=None,#目标数据
        batch_size=None,#批量大小
        verbose=1,#0、1或2。详细模式。0 =静音，1 =进度条，2 =每个epoch输出一行
        sample_weight=None,#测试样本的可选Numpy权重数组，用于对损失函数加权
        steps=None,#宣布评估阶段结束之前的步骤总数
        callbacks=None,#评估期间要应用的回调列表
        max_queue_size=10,# 生成器队列最大值
        workers=1,#最大进程数
        use_multiprocessing=False,#是否开启基于进程的线程
        return_dict=False,#将损失和指标结果作为dict返回
    )

## 2.4 Model.predict() ##

生成输入样本的输出预测。计算是分批进行的

Model.predict(
        x,#输入样本
        batch_size=None,#批量大小
        verbose=0,#0或1
        steps=None,#预测回合完成之前的总步数
        callbacks=None,#预测期间要应用的回调列表
        max_queue_size=10,#生成器队列的最大大小
        workers=1,#最大进程数
        use_multiprocessing=False,#是否开启基于进程的线程
    )

## 2.5 Model.train\_on\_batch() ##

对单批数据运行一次梯度更新。

Model.train_on_batch(
        x,#输入数据
        y=None,#目标数据
        sample_weight=None,#与x长度相同的可选数组，包含要应用于每个样本的模型损失的权重
        class_weight=None,#可选的，字典格式，将类索引（整数）映射到权重（浮点数），以应用于训练期间此类中样本的模型损失，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。
        reset_metrics=True,#True，则返回的指标仅适用于该批次。如果为False，则指标将有状态地跨批次累积。
        return_dict=False,#如果为True，则将损失和指标结果作为dict返回，每个键都是指标的名称。如果为False，则将它们作为列表返回
    )

## 2.6 Model.test\_on\_batch() ##

在一批样品上测试模型。

Model.test_on_batch(
        x,
        y=None, 
        sample_weight=None, 
        reset_metrics=True, 
        return_dict=False
    )

## 2.7 Model.predict\_on\_batch() ##

返回单批样品的预测

Model.predict_on_batch(x)

# 3 使用 #

有两种创建方式  
具体参考[keras创建model的两种方式][keras_model]

## 3.1 Sequential序贯模型 ##

Sequential 是实现全连接网络的最好方式  
Sequential 模型是多个网络层的线性堆栈，可以从 keras 的模型库中导入 Sequential 模型：

from keras.layers import Dense,Activation
    from keras.models import Sequential
    import tensorflow as tf
     
    # 创建模型
    model = Sequential()
    # 搭建神经网络
    model.add(Dense(units=64,input_dim=100))
    model.add(Activation('relu'))
    model.add(Dense(units=10))
    model.add(Activation('softmax'))

## 3.2 Model函数式模型 ##

函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。换言之，只要你的模型不是类似 VGG 一条路走到黑的模型，或者你的模型需要多于一个的输出，那么你总应该选择函数式模型。函数式模型是最广泛的一类模型，序贯模型（Sequential）只是它的一种特殊情况。

from keras.layers import Input, Dense
    from keras.models import Model
    
    # 输入数据 
    inputs = Input(shape=(784,))
     
    # 三个全连接层
    x = Dense(64, activation='relu')(inputs)
    x = Dense(64, activation='relu')(x)
    predictions = Dense(10, activation='softmax')(x)
     
    # 使用Model,搭建三层全连接层的神经网络
    model = Model(inputs=inputs, outputs=predictions)
    # 配置训练神经网络的参数
    model.compile(optimizer='rmsprop',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    # 开始训练
    model.fit(data, labels)

[keras_model]: https://blog.csdn.net/tjj1057813680/article/details/100195880?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160981697016780262052201%252522%25252C%252522scm%252522%25253A%25252220140713.130102334.pc%25255Fall.%252522%25257D&request_id=160981697016780262052201&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-3-100195880.pc_search_result_no_baidu_js&utm_term=keras%20Model%E4%BE%8B%E5%AD%90