模型配置序列化

[source]

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。

[source]

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

• config：一个 Python 字典，通常是 get_config 的输出。

返回

一个层实例。

[source]

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：Model 的实例（可以是 Functional 模型或 Sequential 模型）。
• input_tensors：可选的输入张量列表或 InputLayer 对象，用于构建模型。如果未提供，将创建新的 Input 对象。
• clone_function：用于克隆目标模型中每个层（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())