模型配置序列化

[原始碼]

get_config 方法

Model.get_config()

回傳物件的配置。

物件配置是一個 Python 字典 (可序列化)，包含重新實例化它所需的所有資訊。

[原始碼]

from_config 方法

Model.from_config(config, custom_objects=None)

從其配置建立一個運算。

此方法是 get_config 的反向操作，能夠從配置字典中實例化相同的運算。

注意：如果您覆寫此方法，您可能會收到一個序列化的 dtype 配置，它是一個 dict。您可以如下將其反序列化

if "dtype" in config and isinstance(config["dtype"], dict):
    policy = dtype_policies.deserialize(config["dtype"])

引數

• config：一個 Python 字典，通常是 get_config 的輸出。

回傳值

一個運算實例。

[原始碼]

clone_model 函數

keras.models.clone_model(
    model,
    input_tensors=None,
    clone_function=None,
    call_function=None,
    recursive=False,
    **kwargs
)

複製一個 Functional 或 Sequential Model 實例。

模型複製類似於在新的輸入上調用模型，只是它會建立新的層（以及新的權重），而不是共享現有層的權重。

請注意，clone_model 不會保留模型內共享物件的唯一性（例如，附加到兩個不同層的單個變數將被還原為兩個單獨的變數）。

引數

• model：Model 的實例（可以是 Functional 模型或 Sequential 模型）。
• input_tensors：可選的輸入張量列表或用於建立模型基礎的 InputLayer 物件。如果未提供，將建立新的 Input 物件。
• clone_function：可呼叫的函數，簽名為 fn(layer)，用於複製目標模型中的每一層（除了 Input 實例）。它接收要複製的層實例作為引數，並回傳要在模型副本中使用的對應層實例。如果未指定，此可呼叫函數預設為以下序列化/反序列化函數：lambda layer: layer.__class__.from_config(layer.get_config())。透過傳遞自訂的可呼叫函數，您可以自訂模型的副本，例如，透過包裝某些感興趣的層（例如，您可能想將所有 LSTM 實例替換為等效的 Bidirectional(LSTM(...)) 實例）。預設值為 None。
• call_function：可呼叫的函數，簽名為 fn(layer, *args, **kwargs)，用於調用每個複製的層和一組輸入。它接收層實例、調用引數和關鍵字引數，並回傳調用輸出。如果未指定，此可呼叫函數預設為常規的 __call__() 方法：def fn(layer, *args, **kwargs): return layer(*args, **kwargs)。透過傳遞自訂的可呼叫函數，您可以在給定層之前或之後插入新的層。注意：此引數只能與 Functional 模型一起使用。
• recursive：布林值。是否遞迴複製原始 Sequential/Functional 模型中遇到的任何 Sequential 或 Functional 模型。如果為 False，則會透過呼叫 clone_function() 來複製內部模型。如果為 True，則會透過呼叫 clone_model() 並使用相同的 clone_function、call_function 和 recursive 引數來複製內部模型。請注意，在這種情況下，call_function 不會傳播到任何 Sequential 模型（因為它不適用於 Sequential 模型）。

回傳值

一個 Model 的實例，在新的輸入張量之上，使用新實例化的權重來重現原始模型的行為。如果自訂的 clone_function 或 call_function 修改了層或層調用，則複製的模型行為可能與原始模型不同。

範例

# 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 透過在任何地方設定隨機種子來使模型具有確定性

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 在每個 Dense 層之後添加一個 Dropout 層（而不重新建立新的層）

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,
)

請注意，子類模型預設無法複製，因為它們的內部層結構未知。若要在子類模型的情況下實現與 clone_model 等效的功能，只需確保模型類別實現 get_config()（以及可選的 from_config()），並調用

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

在子類模型的情況下，您無法使用自訂的 clone_function。