Model 类

`Model` 类

keras.Model()

一个将层分组到具有训练/推理功能的对象的模型。

有三种实例化 Model 的方法

使用“函数式 API”

从 Input 开始，通过链接层调用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：仅支持字典、列表和元组形式的输入张量。不支持嵌套输入（例如列表的列表或字典的字典）。

还可以通过使用中间张量来创建新的函数式 API 模型。这使您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` 模型并非使用 `keras.Input` 对象创建，而是使用源自 `keras.Input` 对象的张量创建。在底层，这些模型将共享层和权重，因此用户可以训练 `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，并且创建的模型是标准的函数式 API 模型，支持所有现有 API。

通过子类化 `Model` 类

在这种情况下，您应该在 __init__() 中定义您的层，并且应该在 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()

如果您子类化 Model，您可以选择在 call() 中包含一个 training 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()

模型创建后，您可以使用 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，设置此项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。它将针对摘要的每一行调用。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: 一个包含 2 个字符串的列表或元组，表示摘要中要打印的层范围的起始层名称和结束层名称（均包含在内）。它还接受正则表达式模式而不是精确名称。在这种情况下，起始谓词将是与 `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` 会考虑模型的所有层。