Sequential 順序模型 API - Keras 中文文檔
https://keras.io/zh/models/sequential/

Sequential 序貫模型

序貫模型是函數式模型的簡略版，為最簡單的線性、從頭到尾的結構順序，不分叉，是多個網絡層的線性堆疊。

詳見以下博客：
【tensorflow】Sequential 模型方法_電子生醫小白的博客-CSDN博客 https://blog.csdn.net/m0_53732376/article/details/117048515

編譯

在訓練模型之前，我們需要配置學習過程，這是通過compile方法完成的，他接收這幾個參數：

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None,weighted_metrics=None, target_tensors=None)

用于配置訓練模型。

參數

• optimizer: 字符串（優化器名）或者優化器對象。詳見 optimizers。
• loss: 字符串（目標函數名）或目標函數。詳見 losses。
  如果模型具有多個輸出，則可以通過傳遞損失函數的字典或列表，在每個輸出上使用不同的損失。模型將最小化的損失值將是所有單個損失的總和。
• metrics: 在訓練和測試期間的模型評估標準。通常你會使用 metrics = [‘accuracy’]。
  要為多輸出模型的不同輸出指定不同的評估標準，還可以傳遞一個字典，如 metrics = {‘output_a’：‘accuracy’}。
• loss_weights: 指定標量系數（Python浮點數）的可選列表或字典，用于加權不同模型輸出的損失貢獻。
  模型將要最小化的損失值將是所有單個損失的加權和，由 loss_weights 系數加權。 如果是列表，則期望與模型的輸出具有 1:1映射。 如果是張量，則期望將輸出名稱（字符串）映射到標量系數。
• sample_weight_mode: 如果你需要執行按時間步采樣權重（2D 權重），請將其設置為 temporal。 默認為None，為采樣權重（1D）。如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的 sample_weight_mode。
• weighted_metrics: 在訓練和測試期間，由 sample_weight 或 class_weight
  評估和加權的度量標準列表。
• target_tensors: 默認情況下，Keras將為模型的目標創建一個占位符，在訓練過程中將使用目標數據。相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數據），您可以通過 target_tensors 參數指定它們。它應該是單個張量（對于單輸出 Sequential 模型）。
• kwargs: 當使用 Theano/CNTK 后端時，這些參數被傳入 K.function。當使用 TensorFlow
  后端時，這些參數被傳遞到 tf.Session.run。

可能出現的異常

• ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 這些參數不合法。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【tensorflow】Sequential 模型方法 compile， model.compile的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。