tf.keras.Sequential

Линейная стопка слоев.

Наследуется от: Model

tf.keras.Sequential(
    layers=None, name=None
)

Пример:

# Optionally, the first layer can receive an `input_shape` argument:
model = Sequential()
model.add(Dense(32, input_shape=(500,)))
# Afterwards, we do automatic shape inference:
model.add(Dense(32))

# This is identical to the following:
model = Sequential()
model.add(Dense(32, input_dim=500))

# And to the following:
model = Sequential()
model.add(Dense(32, batch_input_shape=(None, 500)))

# Note that you can also omit the `input_shape` argument:
# In that case the model gets built the first time you call `fit` (or other
# training and evaluation methods).
model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.compile(optimizer=optimizer, loss=loss)
# This builds the model for the first time:
model.fit(x, y, batch_size=32, epochs=10)

# Note that when using this delayed-build pattern (no input shape specified),
# the model doesn't have any weights until the first call
# to a training/evaluation method (since it isn't yet built):
model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.weights  # returns []

# Whereas if you specify the input shape, the model gets built continuously
# as you are adding layers:
model = Sequential()
model.add(Dense(32, input_shape=(500,)))
model.add(Dense(32))
model.weights  # returns list of length 4

# When using the delayed-build pattern (no input shape specified), you can
# choose to manually build your model by calling `build(batch_input_shape)`:
model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.build((None, 500))
model.weights  # returns list of length 4

Методы

add

Просмотреть исходный код

add(
    layer
)

Добавляет экземпляр слоя поверх стека слоев.

compile

Просмотреть исходный код

compile(
    optimizer='rmsprop', loss=None, metrics=None, loss_weights=None,
    sample_weight_mode=None, weighted_metrics=None, target_tensors=None,
    distribute=None, **kwargs
)

Настраивает модель для обучения.

evaluate

Просмотреть исходный код

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
)

Возвращает значение потерь и значения метрик для модели в режиме тестирования.

Вычисления выполняются по частям.

evaluate_generator

Просмотреть исходный код

evaluate_generator(
    generator, steps=None, callbacks=None, max_queue_size=10, workers=1,
    use_multiprocessing=False, verbose=0
)

Оценивает модель на основе генератора данных.

Генератор должен возвращать тот же вид данных, что и test_on_batch.

fit

Просмотреть исходный код

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
)

Обучает модель для фиксированного числа эпох (итераций по набору данных).

fit_generator

Просмотреть исходный код

fit_generator(
    generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None,
    validation_data=None, validation_steps=None, validation_freq=1,
    class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False,
    shuffle=True, initial_epoch=0
)

Обучает модель на данных, которые сгенерированы пакет за пакетом с помощью Python-генератора.

Генератор выполняется параллельно с моделью для повышения эффективности. Например, это позволяет выполнять реальное увеличение данных изображений на процессоре параллельно с обучением вашей модели на графическом процессоре.

Использование keras.utils.Sequence гарантирует порядок и гарантирует однократное использование каждого входного значения за эпоху при использовании use_multiprocessing=True.

Пример:

def generate_arrays_from_file(path):
    while 1:
        f = open(path)
        for line in f:
            # create numpy arrays of input data
            # and labels, from each line in the file
            x1, x2, y = process_line(line)
            yield ({'input_1': x1, 'input_2': x2}, {'output': y})
        f.close()

model.fit_generator(generate_arrays_from_file('/my_file.txt'),
                    steps_per_epoch=10000, epochs=10)

Возможная ошибка: ValueError: В случае, если генератор возвращает данные в неверном формате.

get_layer

Посмотреть исходный код

get_layer(
    name=None, index=None
)

Возвращает слой на основе его имени (уникальное) или индекса.

Если name и index предоставлены оба, index будет иметь приоритет. Индексы основаны на порядке горизонтального прохода графа (снизу вверх).

load_weights

Посмотреть исходный код

load_weights(
    filepath, by_name=False
)

Загружает все веса слоя из файла TensorFlow или HDF5.

pop

Посмотреть исходный код

pop()

Удаляет последний слой в модели.

predict

Посмотреть исходный код

predict(
    x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10,
    workers=1, use_multiprocessing=False
)

Генерирует предсказания вывода для входных образцов.

Вычисления выполняются по партиям.

predict_classes

Посмотреть исходный код

predict_classes(
    x, batch_size=32, verbose=0
)

Генерирует предсказания классов для входных образцов.

Входные образцы обрабатываются партиями.

predict_generator

Посмотреть исходный код

predict_generator(
    generator, steps=None, callbacks=None, max_queue_size=10, workers=1,
    use_multiprocessing=False, verbose=0
)

Генерирует прогнозы для входных выборок из генератора данных.

Генератор должен возвращать тот же тип данных, что и принимается predict_on_batch.

predict_on_batch

Просмотреть исходный код

predict_on_batch(
    x
)

Возвращает прогнозы для одного пакета выборок.

predict_proba

Просмотреть исходный код

predict_proba(
    x, batch_size=32, verbose=0
)

Генерирует прогнозы вероятностей классов для входных выборок.

Входные образцы обрабатываются по пакетам.

reset_metrics

Просмотреть исходный код

reset_metrics()

Сбрасывает состояние метрик.

reset_states

Просмотреть исходный код

reset_states()

save

Просмотреть исходный код

save(
    filepath, overwrite=True, include_optimizer=True, save_format=None,
    signatures=None
)

Сохраняет модель в формате Tensorflow SavedModel или в файл HDF5.

Файл сохранения содержит:

• Архитектура модели, позволяющая повторно создать модель.
• Веса модели.
• Состояние оптимизатора, позволяющее продолжить обучение с того места, где вы остановились.

Это позволяет сохранить все состояние модели в одном файле.

Сохраненные модели могут быть повторно созданы с помощью keras.models.load_model. Модель, возвращаемая load_model, — это скомпилированная модель, готовая к использованию (если сохраненная модель не была скомпилирована в первую очередь).

Пример:

from keras.models import load_model

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

save_weights

Просмотреть исходный код

save_weights(
    filepath, overwrite=True, save_format=None
)

Сохраняет все веса слоев.

Сохраняет в формате HDF5 или TensorFlow в зависимости от аргумента save_format.

При сохранении в формате HDF5 файл весов содержит:

• layer_names (атрибут), список строк (упорядоченные имена слоев модели).
• Для каждого слоя, атрибут group, названный layer.name.
  • Для каждой такой группы слоёв, атрибут weight_names, список строк (упорядоченные имена тензоров весов слоя).
  • Для каждого веса в слое, набор данных, хранящий значение веса, с именем, соответствующим тензору веса.

При сохранении в формате TensorFlow все объекты, на которые ссылается сеть, сохраняются в том же формате, что и tf.train.Checkpoint, включая любые экземпляры Layer или экземпляры Optimizer , назначенные атрибутам объекта. Для сетей, созданных из входных и выходных данных с использованием tf.keras.Model(inputs, outputs), экземпляры Layer , используемые сетью, отслеживаются/сохраняются автоматически. Для пользовательских классов, которые наследуют от tf.keras.Model, экземпляры Layer должны быть назначены атрибутам объекта, обычно в конструкторе. См. документацию tf.train.Checkpoint и tf.keras.Model для получения дополнительной информации.

Хотя форматы одинаковы, не смешивайте save_weights и tf.train.Checkpoint. Точки сохранения, сохраненные с помощью Model.save_weights, должны загружаться с помощью Model.load_weights. Точки сохранения, сохраненные с помощью tf.train.Checkpoint.save, должны восстанавливаться с помощью соответствующего tf.train.Checkpoint.restore. Предпочитайте tf.train.Checkpoint save_weights для точек сохранения обучения.

Формат TensorFlow сопоставляет объекты и переменные, начиная с корневого объекта, self для save_weights, и жадно сопоставляет имена атрибутов. Для Model.save это Model, а для Checkpoint.save это Checkpoint даже если у Checkpoint есть присоединённая модель. Это означает, что сохранение tf.keras.Model с помощью save_weights и загрузка в tf.train.Checkpoint с прикреплённой Model не будут соответствовать переменным Model. Для получения дополнительной информации об использовании формата TensorFlow см. руководство по точкам сохранения обучения .

summary

Просмотреть исходный код

summary(
    line_length=None, positions=None, print_fn=None
)

Выводит строковое описание сети.

test_on_batch

Просмотреть исходный код

test_on_batch(
    x, y=None, sample_weight=None, reset_metrics=True
)

Тестирование модели на одной порции данных.

to_json

Просмотреть исходный код

to_json(
    **kwargs
)

Возвращает строку JSON, содержащую конфигурацию сети.

Чтобы загрузить сеть из файла сохранения в формате JSON, используйте keras.models.model_from_json(json_string, custom_objects={}).

to_yaml

Просмотреть исходный код

to_yaml(
    **kwargs
)

Возвращает строку YAML, содержащую конфигурацию сети.

Чтобы загрузить сеть из файла сохранения в формате YAML, используйте keras.models.model_from_yaml(yaml_string, custom_objects={}).

custom_objects должен быть словарем, сопоставляющим имена пользовательских функций потерь/слоев и т. д. соответствующим функциям/классам.

train_on_batch

Просмотреть исходный код

train_on_batch(
    x, y=None, sample_weight=None, class_weight=None, reset_metrics=True
)

Выполняет одно обновление градиента на одной порции данных.