模型的fit函數(shù)有兩個參數(shù)，shuffle用于將數(shù)據(jù)打亂，validation_split用于在沒有提供驗證集的時候，按一定比例從訓練集中取出一部分作為驗證集

這里有個陷阱是，程序是先執(zhí)行validation_split，再執(zhí)行shuffle的，所以會出現(xiàn)這種情況：

假如你的訓練集是有序的，比方說正樣本在前負樣本在后，又設(shè)置了validation_split，那么你的驗證集中很可能將全部是負樣本

同樣的，這個東西不會有任何錯誤報出來，因為Keras不可能知道你的數(shù)據(jù)有沒有經(jīng)過shuffle，保險起見如果你的數(shù)據(jù)是沒shuffle過的，最好手動shuffle一下

補充知識：Keras使用陷阱

1 TF卷積核與TH卷積核

Keras提供了兩套后端，Theano和Tensorflow。如果你從無到有搭建自己的一套網(wǎng)絡(luò)，則大可放心。但如果你想使用一個已有網(wǎng)絡(luò)，或把一個用th/tf 訓練的網(wǎng)絡(luò)以另一種后端應用，在載入的時候你就應該特別小心了。

卷積核與所使用的后端不匹配，不會報任何錯誤，因為它們的shape是完全一致的，沒有方法能夠檢測出這種錯誤。

在使用預訓練模型時，一個建議是首先找一些測試樣本，看看模型的表現(xiàn)是否與預計的一致。

如需對卷積核進行轉(zhuǎn)換，可以使用utils.convert_all_kernels_in_model對模型的所有卷積核進行轉(zhuǎn)換

2 向BN層中載入權(quán)重

如果你不知道從哪里淘來一個預訓練好的BN層，想把它的權(quán)重載入到Keras中，要小心參數(shù)的載入順序。

一個典型的例子是，將caffe的BN層參數(shù)載入Keras中，caffe的BN由兩部分構(gòu)成，bn層的參數(shù)是mean，std，scale層的參數(shù)是gamma，beta。

按照BN的文章順序，似乎載入Keras BN層的參數(shù)應該是[mean, std, gamma, beta]；

然而不是的，Keras的BN層參數(shù)順序應該是[gamma, beta, mean, std]，這是因為gamma和beta是可訓練的參數(shù)，而mean和std不是。Keras的可訓練參數(shù)在前，不可訓練參數(shù)在后

錯誤的權(quán)重順序不會引起任何報錯，因為它們的shape完全相同

3 shuffle和validation_split的順序

模型的fit函數(shù)有兩個參數(shù)，shuffle用于將數(shù)據(jù)打亂，validation_split用于在沒有提供驗證集的時候，按一定比例從訓練集中取出一部分作為驗證集.

這里有個陷阱是，程序是先執(zhí)行validation_split，再執(zhí)行shuffle的，所以會出現(xiàn)這種情況：

假如你的訓練集是有序的，比方說正樣本在前負樣本在后，又設(shè)置了validation_split，那么你的驗證集中很可能將全部是負樣本。

同樣的，這個東西不會有任何錯誤報出來，因為Keras不可能知道你的數(shù)據(jù)有沒有經(jīng)過shuffle，保險起見如果你的數(shù)據(jù)是沒shuffle過的，最好手動shuffle一下。

4 Merge層的層對象與函數(shù)方法

Keras定義了一套用于融合張量的方法，位于keras.layers.Merge，里面有兩套工具，以大寫字母開頭的是Keras Layer類，使用這種工具是需要實例化一個Layer對象，然后再使用。以小寫字母開頭的是張量函數(shù)方法，本質(zhì)上是對Merge Layer對象的一個包裝，但使用更加方便一些。注意辨析。

以上這篇淺談Keras中shuffle和validation_split的順序就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。