Python tf.keras.experimental.LinearModel用法及代码示例

参数

• units 正整数，没有批量大小的输出维度。
• activation 要使用的激活函数。如果您不指定任何内容，则不会应用激活。
• use_bias 是否计算此模型的偏差/截距。如果设置为 False，则不会在计算中使用偏差/截距，例如，数据已经居中。
• kernel_initializer kernel 权重矩阵的初始化程序。
• bias_initializer 偏置向量的初始化器。
• kernel_regularizer 核向量的正则化器。
• bias_regularizer 偏置向量的正则化器。
• **kwargs 传递给 BaseLayer 的关键字参数。在里面.

属性

• distribute_strategy 该模型是在 tf.distribute.Strategy 下创建的。
• layers
• metrics_names 返回所有输出的模型显示标签。

  注意：metrics_names 仅在 keras.Model 已根据实际数据进行训练/评估后可用。

  inputs = tf.keras.layers.Input(shape=(3,))
  outputs = tf.keras.layers.Dense(2)(inputs)
  model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
  model.compile(optimizer="Adam", loss="mse", metrics=["mae"])
  model.metrics_names
  []

  x = np.random.random((2, 3))
  y = np.random.randint(0, 2, (2, 2))
  model.fit(x, y)
  model.metrics_names
  ['loss', 'mae']

  inputs = tf.keras.layers.Input(shape=(3,))
  d = tf.keras.layers.Dense(2, name='out')
  output_1 = d(inputs)
  output_2 = d(inputs)
  model = tf.keras.models.Model(
     inputs=inputs, outputs=[output_1, output_2])
  model.compile(optimizer="Adam", loss="mse", metrics=["mae", "acc"])
  model.fit(x, (y, y))
  model.metrics_names
  ['loss', 'out_loss', 'out_1_loss', 'out_mae', 'out_acc', 'out_1_mae',
  'out_1_acc']

• run_eagerly 指示模型是否应立即运行的可设置属性。

  即刻地运行意味着您的模型将像 Python 代码一样逐步运行。您的模型可能会运行得更慢，但通过单步调用各个层调用，您应该可以更轻松地对其进行调试。

  默认情况下，我们将尝试将您的模型编译为静态图以提供最佳执行性能。