tf.keras.Sequential

作者：马育民 • • 阅读：10655

概述

顺序模型，是多个网络层的线性堆叠

继承tf.keras.Model类

官方文档：
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/Sequential

属性

layers

添加的图层列表
层可以是：Dense类

添加的例子：
model=tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
使用例子：
history=model.fit(parent_height,son_height,epochs=500)
print(model.layers[0].get_weights())

当有m个神经元，n个输入值时，返回n行m列数组

主要方法

初始化

__init__(
    layers=None,
    name=None
)
参数
  • layers：要添加的层对象，list类型
  • name：名字

add()

添加层

add(layer)
参数
  • layer：层对象

summary()

显示摘要信息

compile()

编译，配置模型用于训练

详见父类的 compile()
https://www.malaoshi.top/show_1EF4BCMB2wb1.html

predict()

预测。模型训练好后，进行预测

predict(
    x,
    batch_size=None,
    verbose=0,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)
参数说明：
  • x：输入样本，类型：numpy数组，TensorFlow 张量等
返回值
  • Numpy数组

evaluate()

对 测试数据 进行评测，返回 损失值 和 度量值

度量值：在compile()的metrics中设置

evaluate(
    x=None,
    y=None,
    batch_size=None,
    verbose=1,
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)
参数说明：
  • x:样本特征数据
  • y:与样本对应的目标数据
返回：

损失值 和 准确率

例子：

model.evaluate(test_ds)

传入测试数据集

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,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    **kwargs
)
参数说明

  • x：输入数据，类型：numpy数组、TensorFlow张量等

  • y：目标数据，类型：numpy数组、TensorFlow张量等

  • batch_size：整数，默认值32，每训练 batch_size 个的样本，就计算一次梯度下降，使目标函数优化一步。

  • epochs：训练的次数

  • steps_per_epoch：整数或None，一个epoch包含的步数（每一步是一个batch的数据送入），当使用如TensorFlow数据Tensor之类的输入张量进行训练时，None代表自动分割，即：数据集样本数/batch样本数
    例如：有100张图片的dataset，通过dataset.batch(50)设置批次大小为50，则steps_per_epoch值为2
    注意： 在使用Dataset时，由于Dataset无法获取内部数据的数量，所以必须指定该参数

  • validation_steps: 仅当steps_per_epoch被指定时有用，在验证集上的step总数，验证集样本数/batch样本数
    注意： 在使用Dataset时，由于Dataset无法获取内部数据的数量，所以必须指定该参数

  • validation_data：形式为（X，y）或（X，y，sample_weights）的tuple，是指定的验证集。此参数将覆盖validation_spilt

  • shuffle：布尔值，表示是否在训练过程中每个epoch前随机打乱输入样本的顺序

  • verbose：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_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。验证集将不参与训练，在每个epoch结束后测试模型指标，如损失函数、精确度等。
    注意： 先执行validation_split ，再执行 shuffle ，因此如果数据集是有序的，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。
    注意： 对训练集 类型 有要求，慎用

  • callbacks：点击参见

返回值

save()

详见tf.keras.Model的save()方法：
https://www.malaoshi.top/show_1EF4BCMB2wb1.html

save_weights()

保存所有图层权重

基于自save()方法的save_format形参实现，以HDF5或TensorFlow格式保存

以HDF5格式保存时，权重文件具有：-（layer_names属性），字符串列表（模型层的有序名称）

save_weights(
    filepath,
    overwrite=True,
    save_format=None
)
参数：
  • filepath：保存文件路径。
  • overwrite：是否覆盖
  • save_format：“ tf”或“ h5”

load_weights()

加载权重

load_weights(
    filepath
)
参数：
  • filepath：加载的文件路径

to_json()

返回包含 模型 配置的JSON字符串

仅包含模型架构，但 没有权重，没有配置优化器

to_json()
返回值：
  • 返回包含网络配置的JSON字符串

通过下面函数重建模型keras.models.model_from_json(json_string, custom_objects={})

案例1

在使用tf.data.Dataset读取文件，并进行训练时的一般步骤

# 打乱顺序
train_data2=train_data.shuffle(buffer_size=train_count)

# 无限重复，一般在shuffle()后调用
train_data2=train_data2.repeat()

BATCH_SIZE=32
# 改变数据形状，变成4维，第一个维度是图片数量
train_data2=train_data2.batch(BATCH_SIZE)

# 一般最后一个调用
train_data2=train_data2.prefetch(buffer_size=AUTOTUNE)

进行训练：

steps_per_epoch=train_count//BATCH_SIZE
validation_steps=test_count//BATCH_SIZE

history=model.fit(train_data2,epochs=15,steps_per_epoch=steps_per_epoch,validation_data=test_data2,validation_steps=validation_steps)

注意：
由于使用tf.data.Dateset做数据集，无法实现知道该数据集的 长度，需要在fit()方法中指定steps_per_epoch和validation_steps

否则训练时会提示Unknown：

感谢：
https://blog.csdn.net/Hodors/article/details/97498168
https://blog.csdn.net/hellocsz/article/details/88992039

原文出处：/show_1EF3otRbWcVI.html

吉ICP备15003043号