get_config
方法Model.get_config()
返回 Model
的配置。
配置是一个 Python 字典(可序列化),其中包含对象的配置,在本例中,该对象是 Model
。这使得 Model
可以以后从该配置重新实例化(不带已训练的权重)。
注意,get_config()
不保证每次调用都返回字典的新副本。调用者如果想修改返回的字典,应该制作一个副本。
建议继承 Model
的开发者重写此方法,并从 super(MyModel, self).get_config()
继续更新字典,以提供此 Model
的正确配置。如果初始化参数是基本类型,默认配置将返回它们的配置字典。如果继承的模型需要自定义 get_config()
实现,则会引发 NotImplementedError
。
返回
包含此 Model
配置的 Python 字典。
from_config
方法Model.from_config(config, custom_objects=None)
从其配置创建层。
此方法是 get_config
的逆操作,能够从配置字典实例化相同的层。它不处理层连接(由 Network 处理),也不处理权重(由 set_weights
处理)。
参数
返回
一个层实例。
clone_model
函数tf_keras.models.clone_model(model, input_tensors=None, clone_function=None)
克隆一个 Functional 或 Sequential Model
实例。
模型克隆类似于在新输入上调用模型,不同之处在于它创建新的层(以及新的权重),而不是共享现有层的权重。
注意,clone_model
不会保留模型中共享对象的唯一性(例如,附加到两个不同层的单个变量将被恢复为两个独立的变量)。
参数
Model
的实例(可以是 Functional 模型或 Sequential 模型)。Input
对象。InputLayer
实例除外)的可调用对象。它接受要克隆的层实例作为参数,并返回在模型副本中使用的相应层实例。如果未指定,此可调用对象将成为以下序列化/反序列化函数:lambda layer: layer.__class__.from_config(layer.get_config())
。通过传递自定义可调用对象,您可以自定义模型的副本,例如,通过包装某些感兴趣的层(例如,您可能希望用等效的 Bidirectional(LSTM(...))
实例替换所有 LSTM
实例)。默认为 None
。返回
Model
的一个实例,它复制了原始模型的行为,在新的输入张量之上,使用新实例化的权重。如果自定义的 clone_function
修改了层,克隆的模型可能会与原始模型行为不同。
示例
# Create a test Sequential model.
model = keras.Sequential([
keras.Input(shape=(728,)),
keras.layers.Dense(32, activation='relu'),
keras.layers.Dense(1, activation='sigmoid'),
])
# Create a copy of the test model (with freshly initialized weights).
new_model = clone_model(model)
注意,继承的模型不能被克隆,因为它们的内部层结构未知。要在继承模型的情况下实现与 clone_model
等效的功能,只需确保模型类实现了 get_config()
(以及可选的 from_config()
),然后调用
new_model = model.__class__.from_config(model.get_config())