Keras解析之序贯（Sequential）模型接口

前言

序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
可以向Sequential模型中传递Dense类构造给模型。
我将以一段代码的形式先简单介绍一下如何用python编写Sequential模型。

样例
开始一个序贯模型一般有4个步骤：
1. 定义模型；
2. 通过compile对模型进行编译；
3. 准备训练数据；
4. 模型训练。

在下面的代码中，我简单的介绍了一下这4个过程，详情请见注释：

# 从keras中到入库
from keras.models import Sequential
from keras.layers import Dense,Activation
# 定义Sequential模型
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))   # 全连接层
model.add(Dense(1, activation='sigmoid'))     #激活函数
# 通过compile对模型进行编译，编译的时候一般有三个参数optimizer、loss、metrics，后续会讲到
model.compile(optimizer='rmsprop',
			  loss='binary_crossentropy',
			  metrics=['accuracy'])

# 准备训练数据；
import numpy as np  
data = np.random.random((1000, 100))  # 生成一个1000*100的矩阵，数值在0～1之间
labels = np.random.randint(2, size=(1000, 1))    # 为每一行加上0\1标签

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)   # 将数据加入fit函数，epochs=10表示循环10次，批大小为32

Sequential模型方法

在上面的代码中，Sequential模型方法的一些常见的方法基本都登场了，下面详细介绍一下这些方法以及参数的作用。

add
向模型中添加一个层，如果需要多个层的话，就多add几次。

pop
与add方法相对应，作用是弹出模型的最后一层。

compile

用来编译模型，配置模型的学习过程。
compile方法有几个参数，含义分别如下：
- optimizer：定义优化器名或优化器对象，一般为字符串；
- loss：预定义损失函数名或目标函数；
- metrics：指标列表，指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.典型用法是metrics=['accuracy']。

fit

fit(data, labels, epochs=10, batch_size=32, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)

data:输入数据。如果模型只有一个输入，那么data的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array.
label:对应的data的标签。
epochs：它就是训练的总轮数。
batch_size：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，使目标函数优化一步。
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
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；
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，并在每个epoch结束后测试的模型的指标，如损失函数、精确度等。
validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt。
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。
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）。
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。
sample_weight：权值的numpy array，用于在训练时调整损失函数。

evaluate

本函数按batch计算在某些输入数据上模型的误差，其参数有：
```
evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)
```
x：输入数据，与fit一样，是numpy array或numpy array的list
y：标签，numpy array
batch_size：整数，含义同fit的同名参数
verbose：含义同fit的同名参数，但只能取0或1
sample_weight：numpy array，含义同fit的同名参数

predict

本函数按batch获得输入数据对应的输出，其参数有：
```
train_on_batch(self, x, y, class_weight=None, sample_weight=None)
```
test_on_batch

本函数在一个batch的样本上对模型进行测试

predict_on_batch(self, x)

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.

evaluate_generator

本函数使用一个生成器作为数据源评估模型，生成器应返回与test_on_batch的输入数据相同类型的数据。该函数的参数与fit_generator同名参数含义相同，steps是生成器要返回数据的轮数。

predict_generator

本函数使用一个生成器作为数据源预测模型，生成器应返回与test_on_batch的输入数据相同类型的数据。该函数的参数与fit_generator同名参数含义相同，steps是生成器要返回数据的轮数。

前言

样例

Sequential模型方法

add

pop

compile

fit

evaluate

predict

test_on_batch

fit_generator

evaluate_generator

predict_generator