关于 Keras 模型
在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。 这些模型有许多共同的方法和属性：
• model.layers 是包含模型网络层的展平列表。
• model.inputs 是模型输入张量的列表。
• model.outputs 是模型输出张量的列表。
• model.summary(): 打印出模型概述信息。它是 utils.print_summary 的简捷调用。
• model.get_config(): 返回包含模型配置信息的字典。通过以下代码，就可以根据这些配 置信息重新实例化模型：
Model 类模型方法
compile compile(self, optimizer, loss, metrics=None,
loss_weights=None, sample_weight_mode=None, weighted_metrics=None,
target_tensors=None)
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’}。
模型 50
• loss_weights: 可选的指定标量系数（Python 浮点数）的列表或字典，用以衡量损失函数对
不同的模型输出的贡献。模型将最小化的误差值是由 loss_weights 系数加权的 加权总和
误差。如果是列表，那么它应该是与模型输出相对应的 1：1 映射。如果是张量，那么应该
把输出的名称（字符串）映到标量系数。
• 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。它可以
是单个张量（单输出模型），张量列表，或一个映射输出名称到目标张量的字典。
• **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。
异常
• ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。
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。
Arguments
• x: 训练数据的 Numpy 数组（如果模型只有一个输入），或者是 Numpy 数组的列表（如果
模型有多个输入）。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（如果模型只有一个输出），或者是 Numpy 数组的列
表（如果模型有多个输出）。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。每次梯度更新的样本数。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。
模型 51
• 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: 整数。开始训练的轮次（有助于恢复之前的训练）。
• steps_per_epoch: 整数或 None。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）。
evaluate(self, x=None, y=None, batch_size=None, verbose=1, sample_weight=None,
steps=None)
在测试模式下返回模型的误差值和评估标准值。
计算是分批进行的。
• x: 测试数据的 Numpy 数组（如果模型只有一个输入），或者是 Numpy 数组的列表（如果
模型有多个输入）。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，或 Numpy 数组的列表（如果模型具有多个输出）。
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。每次评估的样本数。如果未指定，默认为 32。 • verbose: 0 或 1。日志显示模式。0 = 安静模式，1 = 进度条。
• sample_weight: 测试样本的可选 Numpy 权重数组，用于对损失函数进行加权。您可以传
递与输入样本长度相同的扁平（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，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”。
• 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。
predict
predict(self, x, batch_size=None, verbose=0, steps=None)
为输入样本生成输出预测。
计算是分批进行的
参数
• x: 输入数据，Numpy 数组（或者 Numpy 数组的列表，如果模型有多个输出）。
• 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。
train_on_batch
train_on_batch(self, x, y, sample_weight=None, class_weight=None)
运行一批样品的单次梯度更新。
__ 参数 _
• x: 测试数据的 Numpy 数组（如果模型只有一个输入），或者是 Numpy 数组的列表（如果
模型有多个输入）。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。
• y: 目标（标签）数据的 Numpy 数组，或 Numpy 数组的列表（如果模型具有多个输出）。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。
• sample_weight: 可选数组，与 x 长度相同，包含应用到模型损失函数的每个样本的权重。
如果是时域数据，你可以传递一个尺寸为 (samples, sequence_length) 的 2D 数组，为每
一个样本的每一个时间步应用不同的权重。在这种情况下，你应该在 compile() 中指定
sample_weight_mode=“temporal”。
• class_weight: 可选的字典，用来映射类索引（整数）到权重（浮点）值，以在训练时对模
型的损失函数加权。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。
test_on_batch
test_on_batch(self, x, y, sample_weight=None)
在一批样本上测试模型。
参数
• x: 测试数据的 Numpy 数组（如果模型只有一个输入），或者是 Numpy 数组的列表（如果
模型有多个输入）。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。
• y: 目标（标签）数据的 Numpy 数组，或 Numpy 数组的列表（如果模型具有多个输出）。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。
• sample_weight: 可选数组，与 x 长度相同，包含应用到模型损失函数的每个样本的权重。
如果是时域数据，你可以传递一个尺寸为 (samples, sequence_length) 的 2D 数组，为每一个
样本的每一个时间步应用不同的权重。