Keras Model模型
Keras 中文文档
首先了解Keras的一个很好的途径就是通过 文档
Keras 中文文档地址： https://keras.io/zh/models/about-keras-models/
可以通过查看官方文档更加准确地了解相关信息。
Keras 模型
Keras提供的模型，其中分为两类：
- Sequential 顺序模型
- Model 类模型
我们可以通过 from keras.models import Sequential 或者 from keras.models import Model 来导入对应的模型。
Sequential 顺序模型
参考Keras文档： https://keras.io/models/sequential/
- Sequential 模型结构： 层（layers）的线性堆栈。简单来说，它是一个简单的线性结构，没有多余分支，是多个网络层的堆叠。
Sequential使用方法
一个简单的Sequential示例
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
从上述代码中可以看出：
from keras.models import Sequential引入Sequentialmodel = Sequential([...]）则开始构建model- 其中，Dense是一个全连接层，它的激活函数默认为是linear线性函数
- 激活函数可以通过 单独的激活层 实现，也可以通过 构建层时传递activation实现，这就是说：
model.add(Dense(64))
model.add(Activation('tanh'))
等价于
model.add(Dense(64, activation='tanh'))
构建方法
除了上面代码的：
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
还可以简单的写为：
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
input shape 输入的形状（格式）
构建一个模型时，第一层需要给出期待的Input shape ，剩余的层次会自动判断。
-
input shape是一个
tuple格式的数据，可以是整数的tuple，也可以是None -
input shape中并没有
batch dimension批量维度 -
2D层，例如
Dense, 通过指定参数input_dim（一个数字）来描述输入形状。 -
3D层，通过参数
input_dim和input_length来描述输入型状。 -
参数
input_shape通过tuple的形式，指定输入形状。 -
参数
batch_size可以指定固定批量大小。
batch_size=32 + input_shape=(6, 8) = (32, 6, 8)
示例：
model = Sequential()
model.add(Dense(32, input_shape=(784,)))
## 上下相等，对于二维层Dense,可以通过如下所示的input_dim指定输入形状##
model = Sequential()
model.add(Dense(32, input_dim=784))
complication 编译
在训练模型之前，您需要配置学习过程，这是通过编译方法完成的。 形式是model.compile(...)
它收到三个参数：
- 优化器（opyimizer）,可以是优化器的字符串标识符，也可以是Optimizer类的实例
- 损失函数（loss function），模型要将其最小化，可以通过字符串标识符指定，可以通过目标函数指定
- 指标（metricts）列表， 对于任何分类问题，需要将其设置为metrics = [‘accuracy’]。 度量可以是现有度量的字符串标识符或自定义度量函数。
# For a multi-class classification problem
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# For a binary classification problem
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# For a mean squared error regression problem
model.compile(optimizer='rmsprop',
loss='mse')
其实compile函数还可以接受其他参数，此处不以详述。
training 训练
使用fit函数进行训练,示例如下：
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'])
# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)
fit函数官方定义如下：
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, validation_freq=1)
其中常用的参数：
- x Numpy训练数据数组（如果模型有单个输入），或Numpy数组列表（如果模型有多个输入）。也可以是已经命名的输入图层的名称。 如果从框架原生张量（例如TensorFlow数据张量）进行馈送，则x可以是None（默认）。
- y 与x相似，只不过y代表的是目标标签（target label）。可以是：Numpy目标（标签）数据数组（如果模型具有单个输出）或Numpy数组列表（如果模型具有多个输出）或 输入图层的名称 或None.
- batch_size
Integer或None，代表每个梯度更新的样本数，默认值为32. - epochs
Integer，模型的训练的 时期数，每个epoch是对x，y的整个迭代。
Model 模型
参考Keras文档：https://keras.io/models/model/
Model 模型是带有函数API的，不是线性的，它是一个可以多输入、多输出的模型。
如下：
model = Model(inputs=a, outputs=b)
model = Model(inputs=[a1, a2], outputs=[b1, b2, b3])
- 通过inputs 和 outputs 构造多输入（a1,a2）和多输出（b1,b2,b3）的Model
Model 使用方法
与Sequential类似，有compile fit等方法。大致和上述的compile和fit一致。
compile 编译
compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
- optimizer:优化器
- loss:损失函数。与Sequential的compile的loss有所不同的是，Model的多个输出可以有多个loss，可以用过一个dict来声明：
{'output_a':loss_func_1, 'output_b':loss_func_2} - metrics:指标列表。在培训和测试期间由模型评估的度量列表。 通常，您将使用metrics = [‘accuracy’]。 要为多输出模型的不同输出指定不同的度量标准，您还可以传递dict，例如metrics = {‘output_a’：‘accuracy’}。
fit 进行训练
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, validation_freq=1)
x,y,batch_size,epoch都和之前说明的一样。
返回 一个History实例， 其History.history属性是连续时期的训练损失值和度量值的记录，以及验证损失值和验证度量值（如果适用）。
evaluate 函数进行评估
evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None)
返回测试模式下模型的损失值（loss）和度量（metricts）值。