Python tf.keras.Model用法及代码示例

Model 将图层分组为具有训练和推理函数的对象。

继承自：Layer，Module

用法

tf.keras.Model(
    *args, **kwargs
)

有两种方法可以实例化 Model ：

1 - 使用 "Functional API"，从 Input 开始，链接层调用以指定模型的前向传递，最后从输入和输出创建模型：

import tensorflow as tf

inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.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(例如列表列表或 dict 的 dicts)。

也可以使用中间张量创建新的函数 API 模型。这使您能够快速提取模型的sub-components。

例子：

inputs = keras.Input(shape=(None, None, 3))
processed = keras.layers.RandomCrop(width=32, height=32)(inputs)
conv = keras.layers.Conv2D(filters=2, 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.Inputs 对象的张量创建的。在底层，这些模型将共享层和权重，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，创建的模型是标准的函数 API 模型，支持所有现有的 API。

2 - 通过继承 Model 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() 中实现模型的前向传递。

import tensorflow as tf

class MyModel(tf.keras.Model):

  def __init__(self):
    super().__init__()
    self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
    self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)

  def call(self, inputs):
    x = self.dense1(inputs)
    return self.dense2(x)

model = MyModel()

如果您将 Model 子类化，则可以选择在 call() 中有一个 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：

import tensorflow as tf

class MyModel(tf.keras.Model):

  def __init__(self):
    super().__init__()
    self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
    self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
    self.dropout = tf.keras.layers.Dropout(0.5)

  def call(self, inputs, training=False):
    x = self.dense1(inputs)
    if training:
      x = self.dropout(x, training=training)
    return self.dense2(x)

model = MyModel()

创建模型后，您可以使用 model.compile() 为模型配置损失和指标，使用 model.fit() 训练模型，或使用 model.predict() 使用模型进行预测。