Model 类

`Model` 类

keras.Model()

一个模型，将层分组到一个具有训练/推理特性的对象中。

有三种实例化 Model 的方法

使用“函数式 API”

你从 Input 开始，通过链式调用层来指定模型的正向传播，最后，从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）。

还可以使用中间张量来创建新的函数式 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=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。在内部，这些模型的层和权重是共享的，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，创建的模型是支持所有现有 API 的标准函数式 API 模型。

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() 中实现模型的正向传播。

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()

如果你继承 Model，可以在 call() 中选择性地添加一个 training 参数（布尔值），你可以使用它来指定训练和推理时的不同行为。

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()

模型创建后，可以使用 model.compile() 配置模型的损失函数和指标，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),
])

[源代码]

`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，设置此值以适应不同终端窗口大小的显示）。
positions: 每行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。它将对摘要的每一行进行调用。你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: 一个包含 2 个字符串的列表或元组，分别是起始层名称和结束层名称（都包含在内），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名称。在这种情况下，起始谓词将是第一个匹配 layer_range[0] 的元素，结束谓词将是最后一个匹配 layer_range[1] 的元素。默认值为 None 表示考虑模型的所有层。