tf.keras.Model

作者：马育民 • • 阅读：10419

概述

类tf.keras.Model，将layers分组为具有训练和推理特征的对象

函数式编程一般用此类

子类有 tf.keras.Sequential

主要方法

初始化

__init__(
    *args,
    **kwargs
)
参数
  • inputs：list类型，多个输入
  • outputs：list类型，多个输出
返回
  • Model对象

summary()

显示摘要信息

compile()

编译，配置模型用于训练

运行时可将Keras代码翻译为后台代码以执行学习、评估等后续操作

compile(
    optimizer,
    loss=None,
    metrics=None,
    loss_weights=None,
    sample_weight_mode=None,
    weighted_metrics=None,
    target_tensors=None,
    distribute=None,
    **kwargs
)
参数说明
  • optimizer：优化方法，传入 优化程序的名称 或 实例。优化方法在 tf.keras.optimizers包下
    提供以下优化方法：
  • loss=None：损失函数，传入 函数名 或 实例。在tf.losses包下。更多损失函数点击链接
    • 如果有多个输出，则通过传递 dict 或 list 为每个输出使用不同的损失函数。此时，损失值是模型最小化损失值的和。见案例

  • metrics=None：训练时指定的评估函数，详细点击。执行fit()方法后，返回的history对象中包含该度量值。

    • 逻辑回归通常使用metrics=['accuracy']（accuracy也可简写acc）。

    • 线性回归通常使用metrics=['mae']或metrics=['mse']

    • 如果是多输出模型时，为每个输出指定不同的度量标准：

      • 传递字典，例如 metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']}。（output_a、output_b必须是模型中layer的name，见案例）

      • 传递列表，如metrics=[['accuracy'], ['accuracy', 'mse']]或 metrics=['accuracy', ['accuracy', 'mse']] 见案例

  • loss_weights=None：
  • sample_weight_mode=None：
  • weighted_metrics=None：
  • target_tensors=None：
  • distribute=None：
  • **kwargs：

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 或 None（默认值32），训练batch_size个样本时，就会计算一次梯度下降，使目标函数优化一步

  • epochs：训练的次数

  • steps_per_epoch：值为正数，执行多少是一个循环，当输入数据无限循环时使用。默认值None
    例子：https://www.malaoshi.top/show_1EF47rSHdidH.html

  • 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

  • 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。注意，validation_split的划分在shuffle之后，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：指定的验证集。此参数将覆盖validation_spilt。tuple类型，如下：

    • （x，y）
    • （x，y，sample_weights）

  • 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。

  • 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）。该参数在处理非平衡的训练数据（某些类的训练样本数很少）时，可以使得损失函数对样本数不足的数据更加关注。

  • 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。

  • steps_per_epoch: 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，默认的None代表自动分割，即数据集样本数/batch样本数。

  • validation_steps: 仅当steps_per_epoch被指定时有用，在验证集上的step总数。

返回值

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
  • 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
    本函数返回一个测试误差的标量值（如果模型没有其他评价指标），或一个标量的list（如果模型还有其他的评价指标）。model.metrics_names将给出list中各个值的含义。
返回：

损失值 和 度量值

save()

将模型的整个状态保存在单个文件中，包含：

  1. 模型架构
  2. 模型权重
  3. 优化器配置。可以从上次中断的地方继续训练

可以通过load_model()加载，参见：keras加载模型

save(
    filepath,
    overwrite=True,
    include_optimizer=True,
    save_format=None
)
参数：
  • filepath：保存的文件路径
  • overwrite：是否覆盖，默认为True
  • include_optimizer：是否包含优化器
  • save_format：文件格式，"tf"或"h5"
    • "tf"：将模型保存成Tensorflow格式，生成一系列文件，保存到filepath文件夹
    • "h5"：将模型保存成一个HDF5文件，该文件名为：filepath
      当前默认值为’h5’，但在TensorFlow 2.0中将切换为’tf’。“ tf”选项当前处于禁用状态（tf.keras.experimental.export_saved_model改为使用）
例子：

推荐保存成h5，这样只有一个文件

model.save('model.h5',save_format="h5")

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={})

train_on_batch

传入一批数据，训练并进行梯度更新

train_on_batch(
    x,
    y=None,
    sample_weight=None,
    class_weight=None,
    reset_metrics=True
)
参数
  • x： 输入数据。它可能是：
    • Numpy数组（或类似数组的数组）或数组列表（如果模型具有多个输入）。
    • TensorFlow张量或张量 list（如果模型具有多个输入）。
    • 如果模型已命名输入，则dict将输入名称映射到相应的数组/张量。
    • 一个tf.data数据集。
  • y：目标数据。与x一样，可以是Numpy数组或TensorFlow张量。与 x 一致。如果 x是dataset ，则y不应指定（因为将从 dataset 迭代器获取）。
  • sample_weight：与x长度相同的可选数组，其中包含权重以应用于每个样本的模型损失。对于时间数据，您可以传递具有形状（样本，sequence_length）的2D数组，以对每个样本的每个时间步施加不同的权重。在这种情况下，您应确保在compile（）中指定sample_weight_mode =“ temporal”。x是数据集时不支持此参数。
  • class_weight：可选的字典映射类索引（整数）到权重（浮点数），以应用于训练过程中该类样本的模型损失。这有助于告诉模型“更多关注”来自代表性不足的类的样本。
  • reset_metrics：如果为True，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。

例子

在faster rcnn中使用该方法，因为faster rcnn用于训练的数据较多，所以是一张图片进行一次训练

感谢：

https://blog.csdn.net/qq_41007606/article/details/83183452

原文出处：/show_1EF4BCMB2wb1.html

吉ICP备15003043号