【1】Keras复习之模型，层，训练，评估与预测

本系列主要是针对文档的学习，文档地址是： www.keras.io，文档非常详细。

Keras的核心数据结构就是模型，最简单的模型就是序贯模型，也就是Sequential模型，是层的线性堆砌。如果是想要更加复杂的模型，则需要用Keras Functionl API，用这个API我们就可以搭建任意复杂的模型了~~

但一般能简单的就用序贯模型。我们也从序贯模型开始。

使用方式也很简单：

from keras.models import Sequential
model = Sequential()

接着堆砌模型用.add即可，比如堆砌全连接层：

from keras.layers import Dense
model.add(Dense(units=64, activation="relu", input_dim=100))
model.add((Dense(units=10, activation="softmax"))

这里，可以看到一点是，Keras中的分层次的组织数据结构，模型是层的上级，模型都在keras.models包内，层则都在keras.layers内。
添加层时，只需要通过参数配置层即可，简单易用。

设定好模型，添加完层后，就可以compile模型了。

model.compile(loss="categorical_crossentropy",optimizer="sgd",metrics=["accuracy"])

这里示例的是简单的配置，还可以更复杂一些，同时，我们也可以用下面的方式进行配置：

model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

效果是一样的。

现在我们可以准备好将模型拉出来训练了~~

model.fit(x_train, y_train, epoches=5, batch_size=32)

其中，x_train, y_train都是Numpy数组，epoches和batch_size是训练需要配置的基本参数了。

上面这种是在整个训练集上进行训练，有些时候，我们需要的是在某些batch上进行训练，这也是可行的：model.train_on_batch(x_batch, y_batch)。

训练完之后的模型，就可以用啦，但首先还是要看看它们的表现如何。

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

留个疑问，这里的batch_size是怎么设定的？

其他的参数是很自然的，在数据准备时，我们就划分了一部分数据留作考试用，训练时是看不到的。

根据loss_and_metrics的大小，我们就可以对模型的表现进行评价。

模型如果表现还不错的，就可以拿过来进行真刀真枪的预测啦~~

classes = model.predict(x_test, batch_size=128)

简单小结，可以看到，对模型不同阶段的运用，函数依次是：

fit or train_on_batch, 训练用
evaluate，评估用
predict，预测用

且只有预测时不用提供标签数据，当然也无标签~~

本文到这里为止，通过Keras的案例来学习是很棒的，地址是：https://github.com/keras-team/keras/tree/master/examples

END.

【1】Keras复习之模型，层，训练，评估与预测相关推荐

基于已有模型，训练新数据的方法
今天碰到一个问题,训练数据随着随着时间的累计越来越多.这样如果每一次训练都把所有的样本,训练一次,既浪费资源又耽误时间.所以,希望可以时间基于已有的模型,直接训练新的数据.比如,我用第一个月的数据训练 ...
手动/自动/交叉验证评估Keras深度学习模型的性能
Keras是Python中一个的强大而易用的库,主要用于深度学习. 在设计和配置你的深度学习模型时,需要做很多决策.大多数决定必须通过反复试错的方法来解决,并在真实的数据上进行评估. 因此,有一个可靠 ...
R语言基于Bagging算法(融合多个决策树)构建集成学习Bagging分类模型、并评估模型在测试集和训练集上的分类效果（accuray、F1、偏差Deviance）：Bagging算法与随机森林对比
R语言基于Bagging算法(融合多个决策树)构建集成学习Bagging分类模型.并评估模型在测试集和训练集上的分类效果(accuray.F1.偏差Deviance):Bagging算法与随机森林对比 ...
DL之DNN优化技术：自定义MultiLayerNetExtend算法(BN层使用/不使用+权重初始值不同)对Mnist数据集训练评估学习过程
DL之DNN优化技术:自定义MultiLayerNetExtend算法(BN层使用/不使用+权重初始值不同)对Mnist数据集训练评估学习过程目录输出结果设计思路核心代码更多输出相关文章: ...
模型评估与模型选择(训练误差和测试误差+过拟合)| 15mins 入门 | 《统计学习方法》学习笔记（四）
模型评估与模型选择当损失函数给定时,基于损失函数的模型的训练误差(training error)和模型的测试误差(test error)就自然成为学习方法评估的标准. 训练误差的大小,对判定给定的问 ...
模型训练评估——交叉验证法的介绍
与留出法相似,将数据集D划分为k个子集同样存在多种划分方式. 为减小因样本划分不同而引入的差别,k折交叉验证通常要随机使用不同的划分重复p次,最终的评估结果是这p次k折交叉验证结果的均值,例如常见的有 ...
PTMs：QLoRA技巧之源码解读(qlora.py文件)—解析命令与加载参数→数据预处理→模型训练+评估+推理
PTMs:QLoRA技巧之源码解读(qlora.py文件)-解析命令与加载参数→数据预处理→模型训练+评估+推理目录 QLoRA技巧之源码解读(qlora.py文件)-解析命令与加载参数→数据预处理 ...
Keras的Model模型使用
本主题主要阐述下Keras框架中的模型Model的使用,主要包含的内容: 1.模型的两种使用方式: 2.经典模型的实现(定制模型): 3.模型的定制训练: 一. 模型使用的两种方式 Ker ...
Keras Sequential顺序模型
Keras Sequential顺序模型 keras是基于tensorflow封装的的高级API,Keras的优点是可以快速的开发实验,它能够以TensorFlow, CNTK, 或者 Theano ...

【1】Keras复习之模型，层，训练，评估与预测

【1】Keras复习之模型，层，训练，评估与预测相关推荐

最新文章

热门文章