【620】读书笔记【Keras图像深度学习实战】

• 1.2.2 张量

  • 0阶张量：标量，也就是一个数

  • 1阶张量：就是一个向量

  • 2阶张量：就是一个矩阵

  • 3阶张量：可以表示为3个颜色通道的彩色图片

• 1.2.4 模型

  • Keras 包含两种模型（不同版本叫法不同）

    • Sequential模型：序贯模型，单输入单输出模型

    • Graph，图模型：支持多输入多输出，就是 functional model API

• 1.2.5 batch

  • 遍历全部数据集算一次损失函数：计算开销大

  • 一次一个数据：SGD，比较波动

  • mini-batch：为了克服两种方法的缺点，现在一般采用的是一种折中手段，mini-batch gradient decent，小批的梯度下降，这种方法把数据分为若干个批，按批来更新参数，这样，一个批中的一组数据共同决定了本次梯度的方向，下降起来就不容易跑偏，减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，所以计算量也不是很大。就是 keras 中的 batc_size。

• 2.1 卷积神经网络

  • feature map：特征图，就是经过卷积后生成的多层图，所有有多少个卷积核，就会生成多少个 feature maps

  • 下采样层：Max Pooling 层

• 3 Keras 模型

  • compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)：该方法编译用来配置模型的学习过程， 其参数有以下这些

    • 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']。

  • fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=No)：本函数将模型训练epoch轮， 其参数有

    • 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： 标签向量，numpy array类型。

    • 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： 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。 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参数。

    • 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。

    • 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。

    • fit函数返回一个History的对象， 其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况， 如果有验证集的话， 也包含了验证集的这些指标变化情况。

  • 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， 其参数有predict(self, x, batch_size=32, verbose=0)：本函数按batch获得输入数据对应的预测结果， 其中x是输入向量， batch_size是每批次选取的数据集数量。函数的返回值是预测值的numpy array。

    • 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。

    • 本函数返回一个测试误差的标量值（ 如果模型没有其他评价指标） ， 或一个标量的list（ 如果模型还有其他的评价指标） 。 model.metrics_names将给出list中各个值的含义。

  • fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None)：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。 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。函数的参数是

    • generator： 生成器函数， 生成器的输出应该为：

      • a) 一个形如（inputs， targets） 的tuple。

      • b) 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。

•