Python神经网络代码（Keras）的问题

Question

我想建立一个神经网络模型，其中将100行的数据分为5个堆栈，每个堆栈有20行，而不是一次遍历所有的堆栈，我想基于前20行数据来构建神经网络（例如，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）传递到更新的模型中（即，从先前模型中更新的权重），依此类推。 有人可以告诉我这种神经网络的类型吗？ 昨天我刚刚尝试了我的第一个神经网络，在该网络中我批量访问了所有数据（我相信这是在一个时期而不是多个时期内进行的）。

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

听起来您想在大小为20的微型批次中训练数据，并在每次微型批次之后保存模型。 您无需为此更改输入数据的形状-形状矩阵（nb_datapoints，nb_features）起作用。 调用model.fit()时，请确保指定batch_size=20 。

为了在每次迷你批处理之后保存模型，请查看Keras 回调 。 您需要编写自己的自定义回调，但是您可以在现有ModelCheckpoint回调之后ModelCheckpoint进行建模-在每个时期之后保存模型，因此根据您的需求自定义它应该相对简单。