Sequential模型接口

常用的Sequential属性
● model.layers是添加到模型上的层的list

---

Sequential模型方法
● add(self, layer)
向模型中添加一个层
参数说明：
layer:Layer对象

---

● pop(self)
弹出模型最后一层，无返回值
● compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)
编译用来配置模型的学习过程
参数说明：
● optimizer：字符串（预定义优化器名）或优化器对象，参考优化器
● loss：字符串（预定义损失函数名）或目标函数，参考损失函数
● metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是metrics=[‘accuracy’]
● sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设为“temporal”。默认为“None”，代表按样本赋权（1D权）。
● kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano作为后端，kwargs的值将会传递给 K.function
示例：

from keras.models import Sequential
from keras.layers.core import Dense
model = Sequential()
model.add(Dense(32 , input_shape=(500,)))
model.add(Dense(10 , activation='softmax'))
model.compile(optimizer='rmsprop' , loss='categorical_crossentropy' , metrics=['accuracy'])

模型在使用前必须编译，否则在调用fit或evaluate时会抛出异常。

---

● fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)
本函数将模型训练nb_epoch轮
参数说明：
● x：输入数据。如果模型只有一个输入，那么x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
● y：标签，numpy array
● batch_size：整数，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。
● epochs：整数，训练的轮数，每个epoch会把训练集轮一遍。
● 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，参考回调函数
● 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之前，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：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。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
● 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）
● 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。

---

● evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)
本函数按batch计算在某些输入数据上模型的误差。
参数说明：
● 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
本函数返回一个测试误差的标量值，或一个标量的list。
● predict(self, x, batch_size=32, verbose=0)
本函数按batch获得输入数据对应的输出，返回值是预测值的numpy array
● train_on_batch(self, x, y, class_weight=None, sample_weight=None)
在一个batch的数据上进行一次参数更新，函数返回训练误差的标量值或标量值的list，与evaluate的情形相同。
● test_on_batch(self, x, y, sample_weight=None)
本函数在一个batch的样本上对模型进行评估，返回值与evaluate相同
● predict_on_batch(self, x)
本函数在一个batch的样本上对模型进行测试，函数返回模型在一个batch上的预测结果

---

● 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。
参数说明：
● generator：生成器函数，生成器的输出应该为：
○ 一个形如（inputs，targets）的tuple
○ 一个形如（inputs, targets,sample_weight）的tuple。所有的返回值都应该包含相同数目的样本。生成器将无限在数据集上循环。每个epoch以经过模型的样本数达到samples_per_epoch时，记一个epoch结束
● steps_per_epoch：整数，当生成器返回steps_per_epoch次数据时计一个epoch结束，执行下一个epoch
● epochs：整数，数据迭代的轮数
● 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
● validation_data：具有以下三种形式之一
○ 生成验证集的生成器
○ 一个形如（inputs,targets）的tuple
○ 一个形如（inputs,targets，sample_weights）的tuple
● validation_steps: 当validation_data为生成器时，本参数指定验证集的生成器返回次数
● class_weight：规定类别权重的字典，将类别映射为权重，常用于处理样本不均衡问题。
● 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’。
● workers：最大进程数
● max_q_size：生成器队列的最大容量
● pickle_safe: 若为真，则使用基于进程的线程。由于该实现依赖多进程，不能传递non picklable（无法被pickle序列化）的参数到生成器中，因为无法轻易将它们传入子进程中。
● 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。
函数返回一个History对象。

---

● evaluate_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False)
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是生成器要返回书的轮数。

---

● predict_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False, verbose=0)
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。