sequential模型接口

sequnential 常用属性

• model.list添加到模型上的list

sequential模型的属性

add(self,layer)
向模型中添加一个层

pop(self)弹出模型的最后一层

compile(self,optimizer,loss,metrics=None,sample_weight_mode=None)
编译用来配置模型的学习过程，其参数有

• optimizer ：字符串预定义的优化器名，详细请见：http://keras-cn.readthedocs.io/en/latest/other/optimizers/
• loss ：字符串（预定义的损失函数名字）参考：http://keras-cn.readthedocs.io/en/latest/other/objectives/
• metrics：列表，包含评价模型性能的指标

模型在使用之前必须要编译，否则在调用fit的时或者evaluate会抛出异常

训练模型

fit(self,x,y,batc_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)```

evalute，测试结果

evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)

进行预测

predict(self, x, batch_size=32, verbose=0)

在一个batch的数据上进行一次参数更新

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

在一个batch的样本上对模型进行评估

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

在一个batch的样本上对模型进行测试

predict_on_batch(self, x)

利用Python的生成器，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。

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)