Model
类tf_keras.Model()
一个将层分组为一个具有训练/推理功能的对象的模型。
参数
keras.Input
对象,或 dict、list 或 tuple 中 keras.Input
对象的组合。keras.Input
对象的张量,或 dict、list 或 tuple 中此类张量的组合。参见下面的函数式 API 示例。有两种方式可以实例化一个 Model
1 - 使用“函数式 API”,从 Input
开始,将层调用链式连接起来指定模型的前向传播,最后从输入和输出创建你的模型
import tensorflow as tf
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
注意:只支持输入张量的 dict、list 和 tuple。不支持嵌套输入(例如 list 的 list 或 dict 的 dict)。
还可以使用中间张量创建一个新的函数式 API 模型。这使你能够快速提取模型的子组件。
示例
inputs = keras.Input(shape=(None, None, 3))
processed = keras.layers.RandomCrop(width=32, height=32)(inputs)
conv = keras.layers.Conv2D(filters=2, 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
模型不是使用 keras.Input
对象创建的,而是使用源自 keras.Input
对象的张量创建的。在底层,这些模型的层和权重是共享的,这样用户可以训练 full_model
,并使用 backbone
或 activations
进行特征提取。模型的输入和输出也可以是张量的嵌套结构,并且创建的模型是标准的函数式 API 模型,支持所有现有的 API。
2 - 通过继承 Model
类:在这种情况下,你应该在 __init__()
中定义你的层,并在 call()
中实现模型的前向传播。
import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()
如果你继承 Model
,你可以在 call()
中选择性地添加一个 training
参数(布尔值),你可以用它来指定在训练和推理时的不同行为
import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
self.dropout = tf.keras.layers.Dropout(0.5)
def call(self, inputs, training=False):
x = self.dense1(inputs)
if training:
x = self.dropout(x, training=training)
return self.dense2(x)
model = MyModel()
模型创建后,你可以使用 model.compile()
配置模型的损失函数和评估指标,使用 model.fit()
训练模型,或使用 model.predict()
进行预测。
summary
方法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
[0.3, 0.6, 0.70, 1.]
。默认为 None
。stdout
。如果 stdout
在你的环境中不起作用,更改为 print
。它将对摘要的每一行调用。你可以将其设置为一个自定义函数,以捕获字符串摘要。False
。False
。layer_range[0]
的第一个元素,结束谓词将是它匹配 layer_range[1]
的最后一个元素。默认为 None
,表示考虑模型的所有层。引发
summary()
。get_layer
方法Model.get_layer(name=None, index=None)
根据层的名称(唯一)或索引检索层。
如果同时提供了 name
和 index
,则 index
优先。索引基于水平图遍历(自下而上)的顺序。
参数
返回
一个层实例。