Python tf.keras.Model用法及代碼示例

Model 將圖層分組為具有訓練和推理函數的對象。

繼承自：Layer，Module

用法

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

有兩種方法可以實例化 Model ：

1 - 使用 "Functional API"，從 Input 開始，鏈接層調用以指定模型的前向傳遞，最後從輸入和輸出創建模型：

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：僅支持輸入張量的字典、列表和元組。不支持嵌套輸入(例如列表列表或 dict 的 dicts)。

也可以使用中間張量創建新的函數 API 模型。這使您能夠快速提取模型的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)

請注意，backbone 和 activations 模型不是使用 keras.Input 對象創建的，而是使用源自 keras.Inputs 對象的張量創建的。在底層，這些模型將共享層和權重，以便用戶可以訓練 full_model ，並使用 backbone 或 activations 進行特征提取。模型的輸入和輸出也可以是張量的嵌套結構，創建的模型是標準的函數 API 模型，支持所有現有的 API。

2 - 通過繼承 Model 類：在這種情況下，您應該在 __init__() 中定義您的層，並且您應該在 call() 中實現模型的前向傳遞。

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()

如果您將 Model 子類化，則可以選擇在 call() 中有一個 training 參數(布爾值)，您可以使用它來指定訓練和推理中的不同行為：

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()

創建模型後，您可以使用 model.compile() 為模型配置損失和指標，使用 model.fit() 訓練模型，或使用 model.predict() 使用模型進行預測。