Model 類別
Model 類別
keras.Model()
一個將層分組到具有訓練/推論功能的物件中的模型。
有三種實例化 Model 的方法
使用「函數式 API」
從 Input 開始，串聯層呼叫以指定模型的前向傳遞，最後，從輸入和輸出建立模型
inputs = keras.Input(shape=(37,))
x = keras.layers.Dense(32, activation="relu")(inputs)
outputs = keras.layers.Dense(5, activation="softmax")(x)
model = keras.Model(inputs=inputs, outputs=outputs)
注意：僅支援輸入張量的字典、列表和元組。不支援巢狀輸入（例如列表的列表或字典的字典）。
也可以使用中間張量建立新的函數式 API 模型。這使您可以快速提取模型的子組件。
範例
inputs = keras.Input(shape=(None, None, 3))
processed = keras.layers.RandomCrop(width=128, height=128)(inputs)
conv = keras.layers.Conv2D(filters=32, 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 物件建立的，而是使用源自 keras.Input 物件的張量建立的。在底層，層和權重將在這些模型之間共享，以便使用者可以訓練 full_model，並使用 backbone 或 activations 進行特徵提取。模型的輸入和輸出也可以是張量的巢狀結構，並且建立的模型是標準的函數式 API 模型，支援所有現有的 API。
透過子類化 Model 類別
在這種情況下，您應該在 __init__() 中定義您的層，並且您應該在 call() 中實作模型的前向傳遞。
class MyModel(keras.Model):
def __init__(self):
super().__init__()
self.dense1 = keras.layers.Dense(32, activation="relu")
self.dense2 = keras.layers.Dense(5, activation="softmax")
def call(self, inputs):
x = self.dense1(inputs)
return self.dense2(x)
model = MyModel()
如果您子類化 Model，您可以選擇在 call() 中使用 training 參數（布林值），您可以使用它來指定訓練和推論中的不同行為
class MyModel(keras.Model):
def __init__(self):
super().__init__()
self.dense1 = keras.layers.Dense(32, activation="relu")
self.dense2 = keras.layers.Dense(5, activation="softmax")
self.dropout = keras.layers.Dropout(0.5)
def call(self, inputs, training=False):
x = self.dense1(inputs)
x = self.dropout(x, training=training)
return self.dense2(x)
model = MyModel()
模型建立後，您可以使用 model.compile() 配置模型的損失和指標，使用 model.fit() 訓練模型，或使用模型透過 model.predict() 進行預測。
使用 Sequential 類別
此外，keras.Sequential 是一種特殊的模型，其中模型純粹是單輸入、單輸出層的堆疊。
model = keras.Sequential([
keras.Input(shape=(None, None, 3)),
keras.layers.Conv2D(filters=32, kernel_size=3),
])
summary 方法
Model.summary(
line_length=None,
positions=None,
print_fn=None,
expand_nested=False,
show_trainable=False,
layer_range=None,
)
印出網路的字串摘要。
參數
- line_length：列印行的總長度（例如，設定此值以使顯示適應不同的終端視窗大小）。
- positions：每行中日誌元素的相對或絕對位置。如果未提供，則變為
[0.3, 0.6, 0.70, 1.]。預設為None。 - print_fn：要使用的列印函數。預設情況下，列印到
stdout。如果stdout在您的環境中不起作用，請變更為print。它將在摘要的每一行上呼叫。您可以將其設定為自訂函數，以便捕獲字串摘要。 - expand_nested：是否展開巢狀模型。預設為
False。 - show_trainable：是否顯示層是否可訓練。預設為
False。 - layer_range：一個包含 2 個字串的列表或元組，它是起始層名稱和結束層名稱（均包含在內），指示摘要中要列印的層範圍。它也接受正規表示式模式，而不是確切的名稱。在這種情況下，開始謂詞將是第一個符合
layer_range[0]的元素，結束謂詞將是最後一個符合layer_range[1]的元素。預設情況下，None考慮模型的所有層。
引發
- ValueError：如果在模型建立之前呼叫
summary()。
get_layer 方法
Model.get_layer(name=None, index=None)
根據層的名稱（唯一）或索引檢索層。
如果同時提供了 name 和 index，則 index 將優先。索引基於水平圖遍歷的順序（由下而上）。
參數
- name：字串，層的名稱。
- index：整數，層的索引。
回傳
一個層實例。