tensorflow 图像分类 之四

图像分类代码

API 说明

tf.keras.utils.get_file

tf.keras.utils.image_dataset_from_directory

tf.data.Dataset

模型

产生模型

函数式API

使用Sequential类

产生Model的子类

编译模型

训练模型

训练模型达到固定的迭代次数（数据集迭代次数）。

fit(x=None,y=None,batch_size=None,epochs=1,verbose='auto',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_batch_size=None,validation_freq=1
)

对于类似迭代器的输入，Keras 会进行解包处理：一种常见的模式是将类似迭代器的对象（例如 tf.data.Dataset 或 keras.utils.PyDataset）传递给 fit()函数，该函数实际上不仅会返回特征 (x)，还会选择性地返回目标值 (y) 和样本权重 (sample_weight)。Keras 要求此类类似迭代器的输出必须明确无误。迭代器应返回长度为 1、2 或 3 的元组，其中可选的第二个和第三个元素分别用作 y 和 sample_weight。任何其他类型的输入都将被包装在一个长度为 1 的元组中，实际上将所有内容都视为 x。当返回字典时，它们仍然应该遵循顶层元组结构，例如 ({“x0”: x0, “x1”: x1}, y)。Keras 不会尝试从单个字典的键中分离特征、目标值和权重。值得注意的是，命名元组 (namedtuple) 是 Keras 不支持的数据类型。原因在于它同时表现得像有序数据类型（元组）和映射数据类型（字典）。因此，对于形如 namedtuple(“example_tuple”, [“y”, “x”])的命名元组，在解释其值时是否需要反转元素顺序是不确定的。更糟糕的是形如namedtuple(“other_tuple”, [“x”, “y”, “z”])的元组，我们无法确定该元组是应该被解包为x、y和sample_weight，还是应该作为一个单独的元素传递给x。

参数	意义
x	输入数据。它可以是：NumPy 数组（或类数组对象），或数组列表（如果模型有多个输入）。张量，或张量列表（如果模型有多个输入）。一个字典，将输入名称映射到相应的数组/张量（如果模型有命名输入）。一个 tf.data.Dataset 对象。应返回一个元组，包含 (inputs, targets) 或 (inputs, targets, sample_weights)。一个 keras.utils.PyDataset 对象，返回 (inputs, targets) 或 (inputs, targets, sample_weights)。
y	目标数据。与输入数据 x 一样，它可以是 NumPy 数组或后端原生张量。如果 x 是数据集、生成器或 keras.utils.PyDataset 实例，则不应指定 y（因为目标将从 x 中获取）。
batch_size	整数或 None。每次梯度更新的样本数。如果未指定，batch_size 将默认为 32。如果您的数据是数据集、生成器或 keras.utils.PyDataset 实例的形式，则不要指定 batch_size（因为它们会生成批次）。
epochs	整数。模型训练的轮数。一个轮次是指对所提供的所有 x 和 y 数据进行一次迭代（除非 steps_per_epoch 标志设置为除 None 以外的值）。请注意，结合 initial_epoch 参数，epochs 应理解为“最终轮次”。模型的训练轮数并非 epochs 指定的轮次，而只是训练到索引为 epochs 的轮次为止。
verbose	“auto”、0、1 或 2。详细程度模式。0 = 静默模式，1 = 显示进度条，2 = 每个周期输出一行。“auto”在大多数情况下默认为 1。请注意，当日志记录到文件时，进度条的实用性不高，因此在非交互式运行（例如，在生产环境中）时，建议使用 verbose=2。默认值为“auto”。
callbacks	keras.callbacks.Callback 实例列表。训练期间要应用的回调列表。参见 keras.callbacks。注意 keras.callbacks.ProgbarLogger 和 keras.callbacks.History 回调会自动创建，无需传递给 model.fit()。keras.callbacks.ProgbarLogger 是否创建取决于 model.fit() 中的 verbose 参数。
validation_split	介于 0 和 1 之间的浮点数。用于验证的训练数据比例。模型会将这部分训练数据单独提取出来，不进行训练，并在每个 epoch 结束时，使用这部分数据评估损失和所有模型指标。验证数据选自提供的 x 和 y 数据集中的最后几个样本（打乱顺序之前）。当 x 是数据集、生成器或 keras.utils.PyDataset 实例时，不支持此参数。如果同时提供了 validation_data 和 validation_split，则 validation_data 将覆盖 validation_split。
validation_data	用于在每个 epoch 结束时评估损失和任何模型指标的数据。模型不会使用此数据进行训练。因此，请注意，使用 validation_split 或 validation_data 提供的验证损失不受噪声和 dropout 等正则化层的影响。validation_data 将覆盖 validation_split。它可以是：NumPy 数组或张量的元组 (x_val, y_val)。NumPy 数组的元组 (x_val, y_val, val_sample_weights)。tf.data.Dataset。返回 (inputs, targets)或 (inputs, targets, sample_weights)的 Python 生成器或 keras.utils.PyDataset。
shuffle	布尔值，指示是否在每个 epoch 之前打乱训练数据。当 x 为生成器或 tf.data.Dataset 时，此参数将被忽略。
class_weight	可选的字典，用于将类别索引（整数）映射到权重（浮点数）值，以对损失函数进行加权（仅在训练期间）。这可用于指示模型“更加关注”来自代表性不足类别的样本。当指定 class_weight且目标排名为 2 或更大时，y 必须进行独热编码，或者对于稀疏类别标签，必须显式地包含一个最终维度为 1 的值。
sample_weight	用于训练样本权重的可选 NumPy 数组，用于对损失函数进行加权（仅在训练期间）。您可以传递一个与输入样本长度相同的扁平（一维）NumPy 数组（权重与样本一一对应），或者，对于时间序列数据，您可以传递一个形状为 (samples, sequence_length) 的二维数组，以便为​​每个样本的每个时间步应用不同的权重。当 x 是数据集、生成器或 keras.utils.PyDataset 实例时，不支持此参数，请将 sample_weights 作为 x 的第三个元素提供。请注意，样本加权不适用于通过 compile() 中的 metrics 参数指定的指标。要将样本加权应用于您的指标，您可以改为通过 compile() 中的 weighted_metrics 参数指定它们。
initial_epoch	整数。开始训练的 Epoch（用于恢复之前的训练运行）。
steps_per_epoch	整数或 None。在声明一个 epoch 结束并开始下一个 epoch 之前，需要执行的总步数（样本批次数）。当使用后端原生张量等输入张量进行训练时，默认值 None 等于数据集中的样本数除以批次大小，如果无法确定批次大小，则为 1。如果 x 是 tf.data.Dataset 类型，且 steps_per_epoch 为 None，则 epoch 将运行直到输入数据集被处理完毕。传递无限重复的数据集时，必须指定 steps_per_epoch 参数。如果 steps_per_epoch=-1，则使用无限重复的数据集将无限期地进行训练。
validation_steps	仅当提供了validation_data时才相关。此参数指定在每个 epoch 结束时进行验证之前要抽取的总步数（样本批次）。如果validation_steps为None，则验证将一直运行，直到validation_data数据集被用尽。如果数据集无限重复，则会陷入无限循环。如果指定了validation_steps并且只使用部分数据集，则每次 epoch 都会从数据集的开头重新开始评估。这确保每次都使用相同的验证样本。
validation_batch_size	整数或 None。每个验证批次的样本数。如果未指定，则默认为 batch_size。如果您的数据是数据集或 keras.utils.PyDataset 实例的形式（因为它们会生成批次），则不要指定 validation_batch_size。
validation_freq	仅当提供验证数据时才相关。指定在执行新的验证运行之前要运行多少个训练轮次，例如，validation_freq=2 每 2 个轮次运行一次验证。

评估和预测

predict(x, batch_size=None, verbose='auto', steps=None, callbacks=None
)

为输入样本生成输出预测。

计算以批次形式进行。此方法专为批量处理大量输入而设计。它不适用于循环遍历数据并一次处理少量输入的情况。

对于适合一个批次的少量输入，可直接使用__call__()以加快执行速度，例如model(x)，或者如果您有像 BatchNormalization 这样在推理过程中行为不同的层，则可以使用model(x, training=False)。

参数	意义
x	输入样本。它可以是：NumPy 数组（或类数组），或数组列表（如果模型有多个输入）。张量，或张量列表（如果模型有多个输入）。tf.data.Dataset。keras.utils.PyDataset 实例。
batch_size	整数或 None。每批次的样本数。如果未指定，batch_size 将默认为 32。如果您的数据是数据集、生成器或 keras.utils.PyDataset 实例的形式，则不要指定 batch_size（因为它们会生成批次）。
verbose	“auto”、0、1 或 2。详细程度模式。0 = 静默模式，1 = 进度条模式，2 = 单行模式。“auto”在大多数情况下默认为 1。请注意，当日志记录到文件时，进度条模式的实用性不高，因此在非交互式运行（例如在生产环境中）时，建议使用 verbose=2。默认值为“auto”。
steps	预测轮次结束前的总步数（样本批次数）。默认值为 None，此参数将被忽略。如果 x 是 tf.data.Dataset 类型且 steps 为 None，则 predict() 函数将一直运行，直到输入数据集被处理完毕。
callbacks	keras.callbacks.Callback 实例列表。预测期间要应用的回调函数列表。