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），其中包含重新实例化它所需的信息。

[来源]

from_config 方法

Model.from_config(config, custom_objects=None)

从其配置创建操作。

此方法是 get_config 的逆操作，能够从配置字典中实例化相同的操作。

注意：如果您覆盖此方法，您可能会收到序列化的 dtype 配置，这是一个 dict。您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

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输入上调用模型，不同之处在于它创建了新层（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单独的变量）。

参数

• model：Model 的实例（可以是 Functional 模型或 Sequential 模型）。
• input_tensors：可选的输入张量列表或 InputLayer 对象，用于构建模型。如果未提供，将创建新的 Input 对象。
• clone_function：具有签名 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）。它接受要克隆的层实例作为参数，并返回要在模型副本中使用的相应层实例。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())。通过传递自定义可调用对象，您可以自定义模型的副本，例如，通过包装某些感兴趣的层（您可能希望将所有 LSTM 实例替换为等效的 Bidirectional(LSTM(...)) 实例，例如）。默认为 None。
• call_function：具有签名 fn(layer, *args, **kwargs) 的可调用对象，用于调用每个克隆层和一组输入。它接受层实例、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)。通过传递自定义可调用对象，您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，则通过调用 clone_function() 克隆内部模型。如果为 True，则通过使用相同的 clone_function、call_function 和 recursive 参数调用 clone_model() 克隆内部模型。请注意，在这种情况下，call_function 将不会传播到任何 Sequential 模型（因为它不适用于 Sequential 模型）。

返回

Model 的一个实例，在新的输入张量之上，使用新实例化的权重，再现原始模型的行为。如果自定义 clone_function 或 call_function 修改了层或层调用，则克隆的模型可能与原始模型的行为有所不同。

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 通过在所有地方设置随机种子来使模型具有确定性

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,
)

请注意，子类模型默认情况下无法克隆，因为它们的内部层结构是未知的。要在子类模型的情况下实现与 clone_model 等效的功能，只需确保模型类实现 get_config()（以及可选的 from_config()），并调用

new_model = model.__class__.from_config(model.get_config())

在子类模型的情况下，您无法使用自定义 clone_function。