keras 两种训练模型方式详解fit和fit_generator(节省内存)
第一种,fit
importkeras fromkeras.modelsimportSequential fromkeras.layersimportDense importnumpyasnp fromsklearn.preprocessingimportLabelEncoder fromsklearn.preprocessingimportOneHotEncoder fromsklearn.model_selectionimporttrain_test_split #读取数据 x_train=np.load("D:\\machineTest\\testmulPE_win7\\data_sprase.npy")[()] y_train=np.load("D:\\machineTest\\testmulPE_win7\\lable_sprase.npy") #获取分类类别总数 classes=len(np.unique(y_train)) #对label进行one-hot编码,必须的 label_encoder=LabelEncoder() integer_encoded=label_encoder.fit_transform(y_train) onehot_encoder=OneHotEncoder(sparse=False) integer_encoded=integer_encoded.reshape(len(integer_encoded),1) y_train=onehot_encoder.fit_transform(integer_encoded) #shuffle X_train,X_test,y_train,y_test=train_test_split(x_train,y_train,test_size=0.3,random_state=0) model=Sequential() model.add(Dense(units=1000,activation='relu',input_dim=784)) model.add(Dense(units=classes,activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) model.fit(X_train,y_train,epochs=50,batch_size=128) score=model.evaluate(X_test,y_test,batch_size=128) ##fit参数详情 #keras.models.fit( #self, #x=None,#训练数据 #y=None,#训练数据label标签 #batch_size=None,#每经过多少个sample更新一次权重,defult32 #epochs=1,#训练的轮数epochs #verbose=1,#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=None,#list,list中的元素为keras.callbacks.Callback对象,在训练过程中会调用list中的回调函数 #validation_split=0.,#浮点数0-1,将训练集中的一部分比例作为验证集,然后下面的验证集validation_data将不会起到作用 #validation_data=None,#验证集 #shuffle=True,#布尔值和字符串,如果为布尔值,表示是否在每一次epoch训练前随机打乱输入样本的顺序,如果为"batch",为处理HDF5数据 #class_weight=None,#dict,分类问题的时候,有的类别可能需要额外关注,分错的时候给的惩罚会比较大,所以权重会调高,体现在损失函数上面 #sample_weight=None,#array,和输入样本对等长度,对输入的每个特征+个权值,如果是时序的数据,则采用(samples,sequence_length)的矩阵 #initial_epoch=0,#如果之前做了训练,则可以从指定的epoch开始训练 #steps_per_epoch=None,#将一个epoch分为多少个steps,也就是划分一个batch_size多大,比如steps_per_epoch=10,则就是将训练集分为10份,不能和batch_size共同使用 #validation_steps=None,#当steps_per_epoch被启用的时候才有用,验证集的batch_size #**kwargs#用于和后端交互 #) # #返回的是一个History对象,可以通过History.history来查看训练过程,loss值等等
第二种,fit_generator(节省内存)
#第二种,可以节省内存 ''' Createdon2018-4-11 fit_generate.txt,后面两列为lable,已经one-hot编码 1201 2310 1301 1401 2410 2510 ''' importkeras fromkeras.modelsimportSequential fromkeras.layersimportDense importnumpyasnp fromsklearn.model_selectionimporttrain_test_split count=1 defgenerate_arrays_from_file(path): globalcount while1: datas=np.loadtxt(path,delimiter='',dtype="int") x=datas[:,:2] y=datas[:,2:] print("count:"+str(count)) count=count+1 yield(x,y) x_valid=np.array([[1,2],[2,3]]) y_valid=np.array([[0,1],[1,0]]) model=Sequential() model.add(Dense(units=1000,activation='relu',input_dim=2)) model.add(Dense(units=2,activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) model.fit_generator(generate_arrays_from_file("D:\\fit_generate.txt"),steps_per_epoch=10,epochs=2,max_queue_size=1,validation_data=(x_valid,y_valid),workers=1) #steps_per_epoch每执行一次steps,就去执行一次生产函数generate_arrays_from_file #max_queue_size从生产函数中出来的数据时可以缓存在queue队列中 #输出如下: #Epoch1/2 #count:1 #count:2 # #1/10[==>...........................]-ETA:2s-loss:0.7145-acc:0.3333count:3 #count:4 #count:5 #count:6 #count:7 # #7/10[====================>.........]-ETA:0s-loss:0.7001-acc:0.4286count:8 #count:9 #count:10 #count:11 # #10/10[==============================]-0s36ms/step-loss:0.6960-acc:0.4500-val_loss:0.6794-val_acc:0.5000 #Epoch2/2 # #1/10[==>...........................]-ETA:0s-loss:0.6829-acc:0.5000count:12 #count:13 #count:14 #count:15 # #5/10[==============>...............]-ETA:0s-loss:0.6800-acc:0.5000count:16 #count:17 #count:18 #count:19 #count:20 # #10/10[==============================]-0s11ms/step-loss:0.6766-acc:0.5000-val_loss:0.6662-val_acc:0.5000
补充知识:
自动生成数据还可以继承keras.utils.Sequence,然后写自己的生成数据类:
keras数据自动生成器,继承keras.utils.Sequence,结合fit_generator实现节约内存训练
#coding=utf-8 ''' Createdon2018-7-10 ''' importkeras importmath importos importcv2 importnumpyasnp fromkeras.modelsimportSequential fromkeras.layersimportDense classDataGenerator(keras.utils.Sequence): def__init__(self,datas,batch_size=1,shuffle=True): self.batch_size=batch_size self.datas=datas self.indexes=np.arange(len(self.datas)) self.shuffle=shuffle def__len__(self): #计算每一个epoch的迭代次数 returnmath.ceil(len(self.datas)/float(self.batch_size)) def__getitem__(self,index): #生成每个batch数据,这里就根据自己对数据的读取方式进行发挥了 #生成batch_size个索引 batch_indexs=self.indexes[index*self.batch_size:(index+1)*self.batch_size] #根据索引获取datas集合中的数据 batch_datas=[self.datas[k]forkinbatch_indexs] #生成数据 X,y=self.data_generation(batch_datas) returnX,y defon_epoch_end(self): #在每一次epoch结束是否需要进行一次随机,重新随机一下index ifself.shuffle==True: np.random.shuffle(self.indexes) defdata_generation(self,batch_datas): images=[] labels=[] #生成数据 fori,datainenumerate(batch_datas): #x_train数据 image=cv2.imread(data) image=list(image) images.append(image) #y_train数据 right=data.rfind("\\",0) left=data.rfind("\\",0,right)+1 class_name=data[left:right] ifclass_name=="dog": labels.append([0,1]) else: labels.append([1,0]) #如果为多输出模型,Y的格式要变一下,外层list格式包裹numpy格式是list[numpy_out1,numpy_out2,numpy_out3] returnnp.array(images),np.array(labels) #读取样本名称,然后根据样本名称去读取数据 class_num=0 train_datas=[] forfileinos.listdir("D:/xxx"): file_path=os.path.join("D:/xxx",file) ifos.path.isdir(file_path): class_num=class_num+1 forsub_fileinos.listdir(file_path): train_datas.append(os.path.join(file_path,sub_file)) #数据生成器 training_generator=DataGenerator(train_datas) #构建网络 model=Sequential() model.add(Dense(units=64,activation='relu',input_dim=784)) model.add(Dense(units=2,activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) model.compile(optimizer='sgd',loss='categorical_crossentropy',metrics=['accuracy']) model.fit_generator(training_generator,epochs=50,max_queue_size=10,workers=1)
以上这篇keras两种训练模型方式详解fit和fit_generator(节省内存)就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。