模型配置序列化

[来源]

get_config 方法

Model.get_config()

返回对象的配置。

对象配置是一个 Python 字典（可序列化），包含重新实例化该对象所需的信息。

[来源]

from_config 方法

Model.from_config(config, custom_objects=None)

根据配置创建操作。

此方法是 get_config 的反向操作，能够从配置字典实例化相同的操作。

注意：如果你覆盖此方法，可能会收到序列化的 dtype 配置，它是一个 dict。你可以按如下方式反序列化它

if "dtype" in config and isinstance(config["dtype"], dict):
    policy = dtype_policies.deserialize(config["dtype"])

参数

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

返回值

一个操作实例。

[来源]

clone_model 函数

keras.models.clone_model(
    model,
    input_tensors=None,
    clone_function=None,
    call_function=None,
    recursive=False,
    **kwargs
)

克隆 Functional 或 Sequential Model 实例。

模型克隆类似于在新的输入上调用模型，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。

请注意，clone_model 不会保留模型内共享对象的唯一性（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 实例（可以是 Functional 模型或 Sequential 模型）。
• input_tensors：可选的输入张量或 InputLayer 对象列表，用于构建模型。如果未提供，将创建新的 Input 对象。
• clone_function：签名格式为 fn(layer) 的可调用对象，用于克隆目标模型中的每个层（Input 实例除外）。它接收要克隆的层实例作为参数，并返回用于模型副本的相应层实例。如果未指定，则此可调用对象默认为以下序列化/反序列化函数：lambda layer: layer.__class__.from_config(layer.get_config())。通过传入自定义的可调用对象，你可以自定义模型副本，例如通过包装某些感兴趣的层（例如，你可能希望将所有 LSTM 实例替换为等效的 Bidirectional(LSTM(...)) 实例）。默认为 None。
• call_function：签名格式为 fn(layer, *args, **kwargs) 的可调用对象，用于调用每个克隆的层和一组输入。它接收层实例、调用参数和关键字参数，并返回调用输出。如果未指定，则此可调用对象默认为常规的 __call__() 方法：def fn(layer, *args, **kwargs): return layer(*args, **kwargs)。通过传入自定义的可调用对象，你可以在给定层之前或之后插入新层。注意：此参数只能与 Functional 模型一起使用。
• recursive：布尔值。是否递归克隆原始 Sequential/Functional 模型中遇到的任何 Sequential 或 Functional 模型。如果为 False，则内部模型通过调用 clone_function() 进行克隆。如果为 True，则内部模型通过调用 clone_model() 并使用相同的 clone_function、call_function 和 recursive 参数进行克隆。请注意，在这种情况下，call_function 不会传播到任何 Sequential 模型（因为它不适用于 Sequential 模型）。

返回值

一个 Model 实例，使用新实例化的权重在新输入张量之上重现原始模型的行为。如果自定义的 clone_function 或 call_function 修改了层或层调用，则克隆的模型行为可能与原始模型不同。

示例

# Create a test Sequential model.
model = keras.Sequential([
    keras.layers.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)

使用 clone_function 通过在各处设置随机种子使模型具有确定性

def clone_function(layer):
    config = layer.get_config()
    if "seed" in config:
        config["seed"] = 1337
    return layer.__class__.from_config(config)

new_model = clone_model(model, clone_function=clone_function)

使用 call_function 在每个 Dense 层之后添加一个 Dropout 层（无需重新创建新层）

def call_function(layer, *args, **kwargs):
    out = layer(*args, **kwargs)
    if isinstance(layer, keras.layers.Dense):
        out = keras.layers.Dropout(0.5)(out)
    return out

new_model = clone_model(
    model,
    clone_function=lambda x: x,  # Reuse the same layers.
    call_function=call_function,
)

注意，子类模型默认无法克隆，因为其内部层结构未知。对于子类模型，要实现与 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())

对于子类模型，你不能使用自定义的 clone_function。