Model 类
Model 类
keras.Model()
一个将层组合成具有训练/推理功能的对象模型。
有三种实例化 Model 的方法
使用“函数式 API”
你从 Input 开始，你链式调用层来指定模型的前向传递，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）。
一个新的函数式 API 模型也可以通过使用中间张量来创建。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)
请注意，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，层和权重将在这些模型之间共享，以便用户可以训练 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，并且创建的模型是支持所有现有 API 的标准函数式 API 模型。
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递。
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，你可以在 call() 中选择性地使用 training 参数（布尔值），你可以使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()
创建模型后，你可以使用 model.compile() 配置模型的损失和指标，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 是一个特殊类型的模型，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 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
- line_length: 打印行的总长度（例如，设置此参数以使显示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，则默认为
[0.3, 0.6, 0.70, 1.]。默认为None。 - print_fn: 要使用的打印函数。默认情况下，打印到
stdout。如果stdout在你的环境中不起作用，请更改为print。它将在摘要的每一行上调用。你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: 一个由 2 个字符串组成的列表或元组，即起始层名称和结束层名称（均包含），指示要在摘要中打印的层范围。它也接受正则表达式模式而不是确切的名称。在这种情况下，开始谓词将是匹配
layer_range[0]的第一个元素，结束谓词将是匹配layer_range[1]的最后一个元素。默认情况下，None会考虑模型的所有层。
引发
- ValueError: 如果在构建模型之前调用
summary()。
get_layer 方法
Model.get_layer(name=None, index=None)
根据其名称（唯一）或索引检索层。
如果同时提供 name 和 index，则 index 将优先。索引基于水平图遍历的顺序（自下而上）。
参数
- name: 字符串，层名称。
- index: 整数，层索引。
返回
一个层实例。