深入学习Keras中Sequential模型及方法

Sequential 序贯模型

　　序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。

　　Keras实现了很多层，包括core核心层，Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。

我们可以通过将层的列表传递给Sequential的构造函数，来创建一个Sequential模型。

from keras.models import Sequential

from keras.layers import Dense, Activation

model = Sequential([

Dense(32, input_shape=(784,)),

Activation('relu'),

Dense(10),

Activation('softmax'),

])

　　也可以使用.add()方法将各层添加到模型中：

model = Sequential()

model.add(Dense(32, input_dim=784))

model.add(Activation('relu'))

指定输入数据的尺寸

　　模型需要知道它所期待的输入的尺寸（shape）。出于这个原因，序贯模型中的第一层（只有第一层，因为下面的层可以自动的推断尺寸）需要接收关于其输入尺寸的信息，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数。有以下几种方法来做到这一点：

• 传递一个input_shape参数给第一层。它是一个表示尺寸的元组（一个整数或None的元组，其中None表示可能为任何正整数）。在input_shape中不包含数据的batch大小。

• 某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸，某些 3D 时序层支持 input_dim 和 input_length 参数。
• 如果你需要为你的输入指定一个固定的 batch 大小（这对 stateful RNNs 很有用），你可以传递一个 batch_size 参数给一个层。如果你同时将 batch_size=32 和 input_shape=(6, 8) 传递给一个层，那么每一批输入的尺寸就为 (32，6，8)。

　因此下面的代码是等价的。

model = Sequential()

model.add(Dense(32, input_shape=(784,)))

model = Sequential()

model.add(Dense(32, input_dim=784))

下面三种方法也是严格等价的

model = Sequential()

model.add(LSTM(32, input_shape=(10, 64)))

model = Sequential()

model.add(LSTM(32, batch_input_shape=(None, 10, 64)))

model = Sequential()

model.add(LSTM(32, input_length=10, input_dim=64))

编译

　　在训练模型之前，我们需要配置学习过程，这是通过compile方法完成的，他接收三个参数：

• 优化器 optimizer：它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以是 Optimizer 类的实例。详见：optimizers。
• 损失函数 loss：模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。详见：losses。
• 评估标准 metrics：对于任何分类问题，你都希望将其设置为 metrics = ['accuracy']。评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。

# 多分类问题

model.compile(optimizer='rmsprop',

loss='categorical_crossentropy',

metrics=['accuracy'])

# 二分类问题

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',

metrics=['accuracy'])

# 均方误差回归问题

model.compile(optimizer='rmsprop',

loss='mse')

# 自定义评估标准函数

import keras.backend as K

def mean_pred(y_true, y_pred):

return K.mean(y_pred)

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',

metrics=['accuracy', mean_pred])

训练

　　Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练。为了训练一个模型，你通常会使用 fit 函数。文档详见此处。

# 对于具有2个类的单输入模型（二进制分类）：

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'])

# 生成虚拟数据

import numpy as np

data = np.random.random((1000, 100))

labels = np.random.randint(2, size=(1000, 1))

# 训练模型，以 32 个样本为一个 batch 进行迭代

model.fit(data, labels, epochs=10, batch_size=32)

# 对于具有10个类的单输入模型（多分类分类）：

model = Sequential()

model.add(Dense(32, activation='relu', input_dim=100))

model.add(Dense(10, activation='softmax'))

model.compile(optimizer='rmsprop',

loss='categorical_crossentropy',

metrics=['accuracy'])

# 生成虚拟数据

import numpy as np

data = np.random.random((1000, 100))

labels = np.random.randint(10, size=(1000, 1))

# 将标签转换为分类的 one-hot 编码

one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练模型，以 32 个样本为一个 batch 进行迭代

model.fit(data, one_hot_labels, epochs=10, batch_size=32)

例子

这里有几个可以帮助你开始的例子！

在 examples 目录 中，你可以找到真实数据集的示例模型：

• CIFAR10 小图片分类：具有实时数据增强的卷积神经网络 (CNN)
• IMDB 电影评论情感分类：基于词序列的 LSTM
• Reuters 新闻主题分类：多层感知器 (MLP)
• MNIST 手写数字分类：MLP 和 CNN
• 基于 LSTM 的字符级文本生成

基于多层感知器 (MLP) 的 softmax 多分类：

import keras

from keras.models import Sequential

from keras.layers import Dense, Dropout, Activation

from keras.optimizers import SGD

# 生成虚拟数据

import numpy as np

x_train = np.random.random((1000, 20))

y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)

x_test = np.random.random((100, 20))

y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)

model = Sequential()

# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。

# 在第一层必须指定所期望的输入数据尺寸：

# 在这里，是一个 20 维的向量。

model.add(Dense(64, activation='relu', input_dim=20))

model.add(Dropout(0.5))

model.add(Dense(64, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss='categorical_crossentropy',

optimizer=sgd,

metrics=['accuracy'])

model.fit(x_train, y_train,

epochs=20,

batch_size=128)

score = model.evaluate(x_test, y_test, batch_size=128)

基于多层感知器的二分类：

思路：

　　输入数据：定义输入一个二维数组（x1,x2），数据通过numpy来随机产生，将输出定义为0或者1，如果x1+x2<1，则y为1，否则y为0.

　　隐藏层：定义两层隐藏层，隐藏层的参数为（2,3），两行三列的矩阵，输入数据通过隐藏层之后，输出的数据为（1,3），t通过矩阵之间的乘法运算可以获得输出数据。

　　损失函数：使用交叉熵作为神经网络的损失函数，常用的损失函数还有平方差。

　　优化函数：通过油画函数来使得损失函数最小化，这里采用的是Adadelta算法进行优化，常用的有梯度下降算法。

　　输出数据：将隐藏层的输出数据通过（3,1）的参数，输出一个一维向量，值的大小为0或者1.

import numpy as np

from keras.models import Sequential

from keras.layers import Dense,Dropout

# 生成数据，训练数据和测试数据

# x_train/x_test 生成随机的浮点数，x_train为1000行20列 x_test为100行20列

# 列数一定要一一对应，相当于特征个数要对应

# 此处的二元分类，可以不需要one_hot编译，np.random.randint可以直接生成0 1 编码

x_train = np.random.random((1000,20))

y_train = np.random.randint(2,size=(1000,1))

# print(x_train)

# print(y_train)

x_test = np.random.random((100,20))

y_test = np.random.randint(2,size=(100,1))

# 设计模型，通过add的方式叠起来

# 注意输入时，初始网络一定要给定输入的特征维度input_dim 或者input_shape数据类型

# activition激活函数既可以在Dense网络设置里，也可以单独添加

model = Sequential()

model.add(Dense(64,input_dim=20,activation='relu'))

# Drop防止过拟合的数据处理方式

model.add(Dropout(0.5))

model.add(Dense(64,activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(1,activation='sigmoid'))

# 编译模型，定义损失函数，优化函数，绩效评估函数

model.compile(loss='binary_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

# 导入数据进行训练

model.fit(x_train,y_train,epochs=20,batch_size=128)

# 模型评估

score = model.evaluate(x_test,y_test,batch_size=128)

print(score)

类似VGG的卷积神经网络

import numpy as np

import keras

from keras.models import Sequential

from keras.layers import Dense, Dropout, Flatten

from keras.layers import Conv2D, MaxPooling2D

from keras.optimizers import SGD

# 生成虚拟数据

x_train = np.random.random((100, 100, 100, 3))

y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)

x_test = np.random.random((20, 100, 100, 3))

y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)

model = Sequential()

# 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。

# 使用 32 个大小为 3x3 的卷积滤波器。

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))

model.add(Conv2D(32, (3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(256, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss='categorical_crossentropy', optimizer=sgd)

model.fit(x_train, y_train, batch_size=32, epochs=10)

score = model.evaluate(x_test, y_test, batch_size=32)

基于LSTM的序列分类

from keras.models import Sequential

from keras.layers import Dense, Dropout

from keras.layers import Embedding

from keras.layers import LSTM

model = Sequential()

model.add(Embedding(max_features, output_dim=256))

model.add(LSTM(128))

model.add(Dropout(0.5))

model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=16, epochs=10)

score = model.evaluate(x_test, y_test, batch_size=16)

基于 1D 卷积的序列分类：

from keras.models import Sequential

from keras.layers import Dense, Dropout

from keras.layers import Embedding

from keras.layers import Conv1D, GlobalAveragePooling1D, MaxPooling1D

model = Sequential()

model.add(Conv1D(64, 3, activation='relu', input_shape=(seq_length, 100)))

model.add(Conv1D(64, 3, activation='relu'))

model.add(MaxPooling1D(3))

model.add(Conv1D(128, 3, activation='relu'))

model.add(Conv1D(128, 3, activation='relu'))

model.add(GlobalAveragePooling1D())

model.add(Dropout(0.5))

model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=16, epochs=10)

score = model.evaluate(x_test, y_test, batch_size=16)

基于栈式 LSTM 的序列分类

在这个模型中，我们将 3 个 LSTM 层叠在一起，使模型能够学习更高层次的时间表示。

前两个 LSTM 返回完整的输出序列，但最后一个只返回输出序列的最后一步，从而降低了时间维度（即将输入序列转换成单个向量）。

from keras.models import Sequential

from keras.layers import LSTM, Dense

import numpy as np

data_dim = 16

timesteps = 8

num_classes = 10

# 期望输入数据尺寸: (batch_size, timesteps, data_dim)

model = Sequential()

model.add(LSTM(32, return_sequences=True,

input_shape=(timesteps, data_dim))) # 返回维度为 32 的向量序列

model.add(LSTM(32, return_sequences=True)) # 返回维度为 32 的向量序列

model.add(LSTM(32)) # 返回维度为 32 的单个向量

model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

# 生成虚拟训练数据

x_train = np.random.random((1000, timesteps, data_dim))

y_train = np.random.random((1000, num_classes))

# 生成虚拟验证数据

x_val = np.random.random((100, timesteps, data_dim))

y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,

batch_size=64, epochs=5,

validation_data=(x_val, y_val))

带有状态 (stateful) 的 相同的栈式 LSTM 模型

有状态的循环神经网络模型中，在一个 batch 的样本处理完成后，其内部状态（记忆）会被记录并作为下一个 batch 的样本的初始状态。这允许处理更长的序列，同时保持计算复杂度的可控性。

你可以在 FAQ 中查找更多关于 stateful RNNs 的信息。

from keras.models import Sequential

from keras.layers import LSTM, Dense

import numpy as np

data_dim = 16

timesteps = 8

num_classes = 10

batch_size = 32

# 期望输入数据尺寸: (batch_size, timesteps, data_dim)

# 请注意，我们必须提供完整的 batch_input_shape，因为网络是有状态的。

# 第 k 批数据的第 i 个样本是第 k-1 批数据的第 i 个样本的后续。

model = Sequential()

model.add(LSTM(32, return_sequences=True, stateful=True,

batch_input_shape=(batch_size, timesteps, data_dim)))

model.add(LSTM(32, return_sequences=True, stateful=True))

model.add(LSTM(32, stateful=True))

model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

# 生成虚拟训练数据

x_train = np.random.random((batch_size * 10, timesteps, data_dim))

y_train = np.random.random((batch_size * 10, num_classes))

# 生成虚拟验证数据

x_val = np.random.random((batch_size * 3, timesteps, data_dim))

y_val = np.random.random((batch_size * 3, num_classes))

model.fit(x_train, y_train,

batch_size=batch_size, epochs=5, shuffle=False,

validation_data=(x_val, y_val))

Sequential模型方法

1 compile

compile(self, optimizer, loss=None, metrics=None, loss_weights=None,

sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

用于配置训练模型。

1.1 参数

• optimizer: 字符串（优化器名）或者优化器对象。详见 optimizers。
• loss: 字符串（目标函数名）或目标函数。详见 losses。 如果模型具有多个输出，则可以通过传递损失函数的字典或列表，在每个输出上使用不同的损失。模型将最小化的损失值将是所有单个损失的总和。
• metrics: 在训练和测试期间的模型评估标准。通常你会使用 metrics = ['accuracy']。 要为多输出模型的不同输出指定不同的评估标准，还可以传递一个字典，如 metrics = {'output_a'：'accuracy'}。
• sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。 默认为 None，为采样权重（1D）。如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
• weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
• target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据），您可以通过 target_tensors 参数指定它们。它应该是单个张量（对于单输出 Sequential 模型）。
• **kwargs: 当使用 Theano/CNTK 后端时，这些参数被传入 K.function。当使用 TensorFlow 后端时，这些参数被传递到 tf.Session.run。

1.2 异常

ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。

2 fit

fit(self, 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)

以固定数量的轮次（数据集上的迭代）训练模型。

2.1 参数

• x: 训练数据的 Numpy 数组。 如果模型中的输入层被命名，你也可以传递一个字典，将输入层名称映射到 Numpy 数组。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可以是 None（默认）。
• y: 目标（标签）数据的 Numpy 数组。 如果模型中的输出层被命名，你也可以传递一个字典，将输出层名称映射到 Numpy 数组。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，y 可以是 None（默认）。
• batch_size: 整数或 None。每次提度更新的样本数。如果未指定，默认为 32.
• epochs: 整数。训练模型迭代轮次。一个轮次是在整个 x 或 y 上的一轮迭代。请注意，与 initial_epoch 一起，epochs 被理解为 「最终轮次」。模型并不是训练了 epochs轮，而是到第 epochs 轮停止训练。
• verbose: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
• callbacks: 一系列的 keras.callbacks.Callback 实例。一系列可以在训练时使用的回调函数。详见 callbacks。
• validation_split: 在 0 和 1 之间浮动。用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。验证数据是混洗之前 x 和y 数据的最后一部分样本中。
• validation_data: 元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)，用来评估损失，以及在每轮结束时的任何模型度量指标。模型将不会在这个数据上进行训练。这个参数会覆盖 validation_split。
• shuffle: 布尔值（是否在每轮迭代之前混洗数据）或者 字符串 (batch)。batch 是处理 HDF5 数据限制的特殊选项，它对一个 batch 内部的数据进行混洗。当 steps_per_epoch非 None 时，这个参数无效。
• class_weight: 可选的字典，用来映射类索引（整数）到权重（浮点）值，用于加权损失函数（仅在训练期间）。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。
• sample_weight: 训练样本的可选 Numpy 权重数组，用于对损失函数进行加权（仅在训练期间）。您可以传递与输入样本长度相同的平坦（1D）Numpy 数组（权重和样本之间的 1：1 映射），或者在时序数据的情况下，可以传递尺寸为 (samples, 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，你应该确保在 compile() 中指定 sample_weight_mode="temporal"。
• initial_epoch: 开始训练的轮次（有助于恢复之前的训练）。
• steps_per_epoch: 在声明一个轮次完成并开始下一个轮次之前的总步数（样品批次）。使用 TensorFlow 数据张量等输入张量进行训练时，默认值 None 等于数据集中样本的数量除以 batch 的大小，如果无法确定，则为 1。
• validation_steps: 只有在指定了 steps_per_epoch时才有用。停止前要验证的总步数（批次样本）。

2.2 返回

　　一个 History 对象。其 History.history 属性是连续 epoch 训练损失和评估值，以及验证集损失和评估值的记录（如果适用）。

2.3 异常

• RuntimeError: 如果模型从未编译。
• ValueError: 在提供的输入数据与模型期望的不匹配的情况下。

3 evaluate

evaluate(self, x=None, y=None, batch_size=None, verbose=1,

sample_weight=None, steps=None)

在测试模式，返回误差值和评估标准值。

计算逐批次进行。

3.1 参数

• x: 输入数据，Numpy 数组或列表（如果模型有多输入）。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可以是 None（默认）。
• y: 标签，Numpy 数组。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，y 可以是 None（默认）。
• batch_size: 整数。每次梯度更新的样本数。如果未指定，默认为 32。
• verbose: 日志显示模式，0 或 1。
• sample_weight: 样本权重，Numpy 数组。
• steps: 整数或 None。 声明评估结束之前的总步数（批次样本）。默认值 None。

3.2 返回

标量测试误差（如果模型没有评估指标）或标量列表（如果模型计算其他指标）。 属性 model.metrics_names 将提供标量输出的显示标签。

4 predict

predict(self, x, batch_size=None, verbose=0, steps=None)

为输入样本生成输出预测。

计算逐批次进行。

4.1 参数

• x: 输入数据，Numpy 数组。
• batch_size: 整数。如未指定，默认为 32。
• verbose: 日志显示模式，0 或 1。
• steps: 声明预测结束之前的总步数（批次样本）。默认值 None。

4.2 返回

预测的 Numpy 数组。

4.3 异常

• ValueError: 如果提供的输入数据与模型的期望数据不匹配，或者有状态模型收到的数量不是批量大小的倍数。

5 train_on_batch

train_on_batch(self, x, y, class_weight=None, sample_weight=None)

一批样品的单次梯度更新。

5.1 Arguments

• x: 输入数据，Numpy 数组或列表（如果模型有多输入）。
• y: 标签，Numpy 数组。
• class_weight: 将类别映射为权重的字典，用于在训练时缩放损失函数。
• sample_weight: 样本权重，Numpy 数组。

5.2 返回

　　标量测试误差（如果模型没有评估指标）或标量列表（如果模型计算其他指标）。 属性 model.metrics_names 将提供标量输出的显示标签。

6 test_on_batch

test_on_batch(self, x, y, sample_weight=None)

在一批样本上评估模型。

6.1 参数

• x: 输入数据，Numpy 数组或列表（如果模型有多输入）。
• y: 标签，Numpy 数组。
• sample_weight: 样本权重，Numpy 数组。

6.2 返回

　　标量测试误差（如果模型没有评估指标）或标量列表（如果模型计算其他指标）。 属性 model.metrics_names 将提供标量输出的显示标签。

7 predict_on_batch

predict_on_batch(self, x)

返回一批样本的模型预测值。

7.1 参数

• x: 输入数据，Numpy 数组或列表（如果模型有多输入）。

7.2 返回

预测值的Numpy数组

8 fit_generator

it_generator(self, generator, steps_per_epoch=None, epochs=1,

verbose=1, callbacks=None, validation_data=None, validation_steps=None,

class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False,

shuffle=True, initial_epoch=0)

使用 Python 生成器或 Sequence 实例逐批生成的数据，按批次训练模型。

生成器与模型并行运行，以提高效率。 例如，这可以让你在 CPU 上对图像进行实时数据增强，以在 GPU 上训练模型。

keras.utils.Sequence 的使用可以保证数据的顺序， 以及当 use_multiprocessing=True 时 ，保证每个输入在每个 epoch 只使用一次。

8.1 参数

• generator: 一个生成器或 Sequence (keras.utils.Sequence)。 生成器的输出应该为以下之一：
• 一个 (inputs, targets) 元组
• 一个 (inputs, targets, sample_weights) 元组。 所有的数组都必须包含同样数量的样本。生成器将无限地在数据集上循环。当运行到第 steps_per_epoch 时，记一个 epoch 结束。
• steps_per_epoch: 在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数（批次样本）。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
• epochs: 整数，数据的迭代总轮数。请注意，与 initial_epoch 一起，参数 epochs 应被理解为 「最终轮数」。模型并不是训练了 epochs 轮，而是到第 epochs 轮停止训练。
• verbose: 日志显示模式。0，1 或 2。
• callbacks: 在训练时调用的一系列回调函数。
• validation_data: 它可以是以下之一：
• 验证数据的生成器或 Sequence 实例
• 一个 (inputs, targets) 元组
• 一个 (inputs, targets, sample_weights) 元组。
• validation_steps: 仅当 validation_data 是一个生成器时才可用。 每个 epoch 结束时验证集生成器产生的步数。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
• class_weight: 将类别映射为权重的字典。
• max_queue_size: 生成器队列的最大尺寸。
• workers: 使用的最大进程数量。
• use_multiprocessing: 如果 True，则使用基于进程的多线程。 请注意，因为此实现依赖于多进程，所以不应将不可传递的参数传递给生成器，因为它们不能被轻易地传递给子进程。
• shuffle: 是否在每轮迭代之前打乱 batch 的顺序。只能与 Sequence (keras.utils.Sequence) 实例同用。
• initial_epoch: 开始训练的轮次（有助于恢复之前的训练）。

8.2 返回

一个 History 对象。

8.3 异常

• ValueError: 如果生成器生成的数据格式不正确。

8.4 例

def generate_arrays_from_file(path):

while 1:

f = open(path)

for line in f:

# 从文件中的每一行生成输入数据和标签的 numpy 数组

x, y = process_line(line)

yield (x, y)

f.close()

model.fit_generator(generate_arrays_from_file('/my_file.txt'),

steps_per_epoch=1000, epochs=10)

9 evaluate_generator

evaluate_generator(self, generator, steps=None, max_queue_size=10,

workers=1, use_multiprocessing=False)

在数据生成器上评估模型。

这个生成器应该返回与 test_on_batch 所接收的同样的数据。

9.1 参数

• generator: 生成器，生成 (inputs, targets) 或 (inputs, targets, sample_weights)
• steps: 在停止之前，来自 generator 的总步数 (样本批次)。 可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
• max_queue_size: 生成器队列的最大尺寸。
• workers: 使用的最大进程数量。
• use_multiprocessing: 如果 True，则使用基于进程的多线程。 请注意，因为此实现依赖于多进程，所以不应将不可传递的参数传递给生成器，因为它们不能被轻易地传递给子进程。

9.2 返回

标量测试误差（如果模型没有评估指标）或标量列表（如果模型计算其他指标）。 属性 model.metrics_names 将提供标量输出的显示标签。

9.3 异常

　　ValueError如果生成器生成的数据格式不正确

10 predict_generator

predict_generator(self, generator, steps=None, max_queue_size=10,

workers=1, use_multiprocessing=False, verbose=0)

为来自数据生成器的输入样本生成预测。

这个生成器应该返回与 predict_on_batch 所接收的同样的数据。

10.1 参数

• generator: 返回批量输入样本的生成器。
• steps: 在停止之前，来自 generator 的总步数 (样本批次)。 可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
• max_queue_size: 生成器队列的最大尺寸。
• workers: 使用的最大进程数量。
• use_multiprocessing: 如果 True，则使用基于进程的多线程。 请注意，因为此实现依赖于多进程，所以不应将不可传递的参数传递给生成器，因为它们不能被轻易地传递给子进程。
• verbose: 日志显示模式， 0 或 1。

10.2 返回

预测值的 Numpy 数组。

10.3 异常

• ValueError: 如果生成器生成的数据格式不正确。

11 get_layer

get_layer(self, name=None, index=None)

根据名称（唯一）或索引值查找网络层。

如果同时提供了 name 和 index，则 index 将优先。

根据网络层的名称（唯一）或其索引返回该层。索引是基于水平图遍历的顺序（自下而上）。

11.1 参数

• name: 字符串，层的名字。
• index: 整数，层的索引。

11.2 返回

一个层实例。

11.3 异常

• ValueError: 如果层的名称或索引不正确。