模型类
Model class
keras.Model()
一个将层分组到具有训练/推理功能的对象中的模型.
有三种方法可以实例化一个 Model:
使用"Functional API”
你从 Input 开始,
你链式调用层来指定模型的前向传播,
最后,你从输入和输出创建你的模型:
inputs = keras.Input(shape=(37,))
x = keras.layers.Dense(32, activation="relu")(inputs)
outputs = keras.layers.Dense(5, activation="softmax")(x)
model = keras.Model(inputs=inputs, outputs=outputs)
注意:仅支持输入张量的字典、列表和元组.不支持嵌套输入（例如列表的列表或字典的字典）.
还可以通过使用中间张量来创建新的 Functional API 模型.这使你可以快速提取模型的子组件.
示例:
inputs = keras.Input(shape=(None, None, 3))
processed = keras.layers.RandomCrop(width=128, height=128)(inputs)
conv = keras.layers.Conv2D(filters=32, kernel_size=3)(processed)
pooling = keras.layers.GlobalAveragePooling2D()(conv)
feature = keras.layers.Dense(10)(pooling)
full_model = keras.Model(inputs, feature)
backbone = keras.Model(processed, conv)
activations = keras.Model(conv, feature)
注意,backbone 和 activations 模型不是用 keras.Input 对象创建的,而是用源自 keras.Input 对象的张量创建的.在底层,这些模型将共享层和权重,因此用户可以训练 full_model,并使用 backbone 或 activations 进行特征提取.模型的输入和输出可以是张量的嵌套结构,创建的模型是标准的 Functional API 模型,支持所有现有的 API.
通过子类化 Model 类
在这种情况下,你应该在 __init__() 中定义你的
层,并且你应该在 call() 中实现模型的前向传播.
class MyModel(keras.Model):
def __init__(self):
super().__init__()
self.dense1 = keras.layers.Dense(32, activation="relu")
self.dense2 = keras.layers.Dense(5, activation="softmax")
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()
如果你子类化 Model,你可以选择在 call() 中有一个 training 参数（布尔值）,你可以用它来指定训练和推理中的不同行为:
class MyModel(keras.Model):
def __init__(self):
super().__init__()
self.dense1 = keras.layers.Dense(32, activation="relu")
self.dense2 = keras.layers.Dense(5, activation="softmax")
self.dropout = keras.layers.Dropout(0.5)
def call(self, inputs, training=False):
x = self.dense1(inputs)
x = self.dropout(x, training=training)
return self.dense2(x)
model = MyModel()
模型创建后,你可以使用 model.compile() 配置模型损失和指标,使用 model.fit() 训练模型,或使用 model.predict() 进行预测.
使用 Sequential 类
此外,keras.Sequential 是模型的一个特例,其中模型纯粹是单输入、单输出层的堆叠.
model = keras.Sequential([
keras.Input(shape=(None, None, 3)),
keras.layers.Conv2D(filters=32, kernel_size=3),
])
summary method
Model.summary(
line_length=None,
positions=None,
print_fn=None,
expand_nested=False,
show_trainable=False,
layer_range=None,
)
打印网络的字符串摘要.
参数:
line_length: 打印行的总长度
（例如,设置此项以适应不同的
终端窗口大小）.
positions: 每行中日志元素的相对或绝对位置.
如果未提供,则变为
[0.3, 0.6, 0.70, 1.].默认为 None.
print_fn: 使用的打印函数.默认情况下,打印到 stdout.
如果 stdout 在您的环境中不起作用,请更改为 print.
它将在摘要的每一行上调用.
您可以将其设置为自定义函数
以便捕获字符串摘要.
expand_nested: 是否展开嵌套模型.
默认为 False.
show_trainable: 是否显示层是否可训练.
默认为 False.
layer_range: 一个包含2个字符串的列表或元组,
表示要打印在摘要中的起始层名称和结束层名称
（两者都包括）.它还接受正则表达式模式而不是确切的
名称.在这种情况下,起始谓词将是
第一个匹配 layer_range[0] 的元素,
结束谓词将是最后一个匹配 layer_range[1] 的元素.
默认 None 考虑模型的所有层.
Raises
- ValueError: 如果
summary()在模型构建之前被调用.
get_layer method
Model.get_layer(name=None, index=None)
基于层的名称（唯一）或索引检索层.
如果同时提供了 name 和 index,index 将优先.
索引基于水平图遍历的顺序（自底向上）.
参数: name: 字符串,层的名称. index: 整数,层的索引.
返回: 一个层实例.