模型类
模型 类
keras.Model()
一个将层分组到具有训练/推理功能的对象中的模型。
有三种方法可以实例化一个 模型
使用“函数式 API”
您从 输入 开始，通过链接层调用来指定模型的正向传递，最后，您根据输入和输出创建模型
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）。
也可以通过使用中间张量来创建一个新的函数式 API 模型。这使您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=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，骨干 和 激活 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。在幕后，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 骨干 或 激活 来进行特征提取。模型的输入和输出也可以是张量的嵌套结构，创建的模型是标准的函数式 API 模型，支持所有现有的 API。
通过子类化 模型 类
在这种情况下，您应该在 __init__() 中定义您的层，并且您应该在 call() 中实现模型的正向传递。
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()
如果您子类化 模型，您可以在 call() 中选择性地使用 训练 参数（布尔值），您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，可以使用 model.compile() 用损失和指标配置模型，使用 model.fit() 训练模型，或者使用模型使用 model.predict() 进行预测。
使用 顺序 类
此外，keras.Sequential 是模型的一种特殊情况，其中模型纯粹是单输入、单输出层的堆栈。
model = keras.Sequential([
keras.Input(shape=(None, None, 3)),
keras.layers.Conv2D(filters=32, kernel_size=3),
])
摘要 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，将此设置为适应不同终端窗口大小的显示）。
- positions：每行中日志元素的相对或绝对位置。如果未提供，则变为
[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在您的环境中不起作用，请更改为print。它将在摘要的每一行上被调用。您可以将其设置为自定义函数以捕获字符串摘要。 - 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：包含 2 个字符串的列表或元组，它们是开始层名和结束层名（均包含在内），指示在摘要中打印的层范围。它也接受正则表达式模式而不是精确名称。在这种情况下，开始谓词将是与
layer_range[0]匹配的第一个元素，结束谓词将是与layer_range[1]匹配的最后一个元素。默认情况下，None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，层的名称。
- index：整数，层的索引。
返回
一个层实例。