Docs ?
模型 ?
關(guān)于 Keras 模型
關(guān)于 Keras 模型
在 Keras 中有兩類主要的模型：Sequential 順序模型 和 使用函數(shù)式 API 的 Model 類模型。
這些模型有許多共同的方法和屬性：
-
model.layers是包含模型網(wǎng)絡(luò)層的展平列表。 -
model.inputs是模型輸入張量的列表。 -
model.outputs是模型輸出張量的列表。 -
model.summary()打印出模型概述信息。 它是 utils.print_summary 的簡(jiǎn)捷調(diào)用。 -
model.get_config()返回包含模型配置信息的字典。通過(guò)以下代碼，就可以根據(jù)這些配置信息重新實(shí)例化模型：
config = model.get_config()
model = Model.from_config(config)
# 或者，對(duì)于 Sequential:
model = Sequential.from_config(config)
-
model.get_weights()返回模型中所有權(quán)重張量的列表，類型為 Numpy 數(shù)組。 -
model.set_weights(weights)從 Numpy 數(shù)組中為模型設(shè)置權(quán)重。列表中的數(shù)組必須與get_weights()返回的權(quán)重具有相同的尺寸。 -
model.to_json()以 JSON 字符串的形式返回模型的表示。請(qǐng)注意，該表示不包括權(quán)重，僅包含結(jié)構(gòu)。你可以通過(guò)以下方式從 JSON 字符串重新實(shí)例化同一模型（使用重新初始化的權(quán)重）：
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)
-
model.to_yaml()以 YAML 字符串的形式返回模型的表示。請(qǐng)注意，該表示不包括權(quán)重，只包含結(jié)構(gòu)。你可以通過(guò)以下代碼，從 YAML 字符串中重新實(shí)例化相同的模型（使用重新初始化的權(quán)重）：
from keras.models import model_from_yaml
yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string)
-
model.save_weights(filepath)將模型權(quán)重存儲(chǔ)為 HDF5 文件。 -
model.load_weights(filepath, by_name=False): 從 HDF5 文件（由save_weights創(chuàng)建）中加載權(quán)重。默認(rèn)情況下，模型的結(jié)構(gòu)應(yīng)該是不變的。 如果想將權(quán)重載入不同的模型（部分層相同）， 設(shè)置by_name=True來(lái)載入那些名字相同的層的權(quán)重。
注意：另請(qǐng)參閱如何安裝 HDF5 或 h5py 以保存 Keras 模型，在常見(jiàn)問(wèn)題中了解如何安裝 h5py 的說(shuō)明。
Model 類繼承
除了這兩類模型之外，你還可以通過(guò)繼承 Model 類并在 call 方法中實(shí)現(xiàn)你自己的前向傳播，以創(chuàng)建你自己的完全定制化的模型，（Model 類繼承 API 引入于 Keras 2.2.0）。
這里是一個(gè)用 Model 類繼承寫的簡(jiǎn)單的多層感知器的例子：
import keras
class SimpleMLP(keras.Model):
def __init__(self, use_bn=False, use_dp=False, num_classes=10):
super(SimpleMLP, self).__init__(name='mlp')
self.use_bn = use_bn
self.use_dp = use_dp
self.num_classes = num_classes
self.dense1 = keras.layers.Dense(32, activation='relu')
self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
if self.use_dp:
self.dp = keras.layers.Dropout(0.5)
if self.use_bn:
self.bn = keras.layers.BatchNormalization(axis=-1)
def call(self, inputs):
x = self.dense1(inputs)
if self.use_dp:
x = self.dp(x)
if self.use_bn:
x = self.bn(x)
return self.dense2(x)
model = SimpleMLP()
model.compile(...)
model.fit(...)
網(wǎng)絡(luò)層定義在 __init__(self, ...) 中，前向傳播在 call(self, inputs) 中指定。在 call 中，你可以指定自定義的損失函數(shù)，通過(guò)調(diào)用 self.add_loss(loss_tensor) （就像你在自定義層中一樣）。
在類繼承模型中，模型的拓?fù)浣Y(jié)構(gòu)是由 Python 代碼定義的（而不是網(wǎng)絡(luò)層的靜態(tài)圖）。這意味著該模型的拓?fù)浣Y(jié)構(gòu)不能被檢查或序列化。因此，以下方法和屬性不適用于類繼承模型：
-
model.inputs和model.outputs。 -
model.to_yaml()和model.to_json()。 -
model.get_config()和model.save()。
關(guān)鍵點(diǎn)：為每個(gè)任務(wù)使用正確的 API。Model 類繼承 API 可以為實(shí)現(xiàn)復(fù)雜模型提供更大的靈活性，但它需要付出代價(jià)（比如缺失的特性）：它更冗長(zhǎng)，更復(fù)雜，并且有更多的用戶錯(cuò)誤機(jī)會(huì)。如果可能的話，盡可能使用函數(shù)式 API，這對(duì)用戶更友好。
