Python 神经网络代码 (Keras) 的问题

Question

我想建立一个神经网络模型，假设 100 行的数据被分成 5 个堆栈，每个堆栈 20 行，现在我不想一次遍历所有数据，而是想基于前 20 行构建一个神经网络数据（即第一个堆栈），然后保存模型（权重等），然后将下一个堆栈（接下来的 20 行，即第 21-40 行）传递到更新的模型（即从以前的模型更新的权重），等等。有人能告诉我这种类型的神经网络叫什么吗？ 我昨天刚刚尝试了我的第一个神经网络，我在其中批量迭代所有数据（我相信这发生在一个时期而不是多个时期）。

以下是我使用 Keras（Tensorflow 后端）在 Python 中制作的神经网络，有人可以建议我根据我的要求进行编辑以制作以下模型吗？

# Create first network with Keras
from keras.models import Sequential
from keras.layers import Dense
import numpy
import pandas as pd
# from sklearn.cross_validation import train_test_split
from sklearn.model_selection import train_test_split

# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)

# load dataset
raw_data = pd.read_excel('Data.xlsx',sep=',')
df = raw_data.iloc[:,0:2]

df = pd.get_dummies(df)
rows,cols = df.shape
output_dim = 7 # No. of Output Dimensions/Categories

#Splitting Data in Training & Testing
X_train,X_test,y_train,y_test = train_test_split(df.iloc[:,0:cols-output_dim],df.iloc[:,cols-output_dim:cols],test_size=0.2,random_state=seed)

X  = X_train.as_matrix()
X_test = X_test.as_matrix()
Y = y_train.as_matrix()
Y_test = y_test.as_matrix()


# create model
model = Sequential()
model.add(Dense(X.shape[1], input_dim=X.shape[1], activation='relu')) #Input Layer
model.add(Dense(X.shape[1], activation='relu')) #Hidden Layer
model.add(Dense(X.shape[1], activation='relu')) #Hidden Layer
model.add(Dense(X.shape[1], activation='relu')) #Hidden Layer
model.add(Dense(output_dim, activation='softmax')) #Output Layer

# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# Fit the model
model.fit(X,Y,nb_epoch=10, validation_data=(X_test,Y_test), batch_size=83,verbose=1)

# evaluate the model
loss, accuracy = model.evaluate(X1, Y1)
print("\nValidation Data [Loss: %.2f, Accuracy: %.2f%%]" % (loss, accuracy*100))

Answer 1

听起来您想以 20 大小的 minibatch 对数据进行训练，并在每个 minibatch 后保存模型。您无需为此更改输入数据的形状 - 形状矩阵 (nb_datapoints, nb_features) 有效。请确保在调用model.fit() 时指定batch_size=20。

为了在每次 minibatch 后保存您的模型，请查看 Keras callbacks。您需要编写自己的自定义回调，但您可以在现有的 ModelCheckpoint 回调之后对其进行建模 - 在每个 epoch 之后保存模型，因此根据您的需要对其进行自定义应该相对简单。