keras_1_Keras_Model简介

1. keras模型官方实现的Model

1. 在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。

2. 两类模型的方法和属性大致相同：

   • model.layers 是包含模型网络层的展平列表。

   • model.inputs 是模型输入张量的列表。

   • model.outputs 是模型输出张量的列表。

   • model.summary() 打印出模型概述信息。 它是 utils.print_summary 的简捷调用。

   • model.get_config() 返回包含模型配置信息的字典。通过以下代码，就可以根据这些配置信息重新实例化模型：

     config = model.get_config()
     model = Model.from_config(config)
     # 或者，对于 Sequential:
     model = Sequential.from_config(config
     

3. 模型保存与恢复

   • 模型的权重

     • model.get_weights() 返回模型中所有权重张量的列表，类型为 Numpy 数组。
     • model.set_weights(weights) 从 Numpy 数组中为模型设置权重。列表中的数组必须与 get_weights() 返回的权重具有相同的尺寸。
     • model.save_weights(filepath) 将模型权重存储为 HDF5 文件。
     • model.load_weights(filepath, by_name=False): 从 HDF5 文件（由 save_weights 创建）中加载权重。默认情况下，模型的结构应该是不变的。 如果想将权重载入不同的模型（部分层相同，比如pre-training, transfer-learnning）， 设置 by_name=True 来载入那些名字相同的层的权重。

   • 模型的结构

     • model.to_json() 以 JSON 字符串的形式返回模型的表示。请注意，该表示不包括权重，仅包含结构。你可以通过以下方式从 JSON 字符串重新实例化同一模型（使用重新初始化的权重）：

       from keras.models import model_from_json
       
       json_string = model.to_json()
       model = model_from_json(json_string)
       

     • model.to_yaml() 以 YAML 字符串的形式返回模型的表示。请注意，该表示不包括权重，只包含结构。你可以通过以下代码，从 YAML 字符串中重新实例化相同的模型（使用重新初始化的权重）：

       from keras.models import model_from_yaml
       
       yaml_string = model.to_yaml()
       model = model_from_yaml(yaml_string)
       

   • 注意：另请参阅如何安装 HDF5 或 h5py 以保存 Keras 模型，在常见问题中了解如何安装 h5py 的说明。

2. Model子类

1. 除了上述Model下面官方的sequential和函数式自定义的Model，还可以实现自定义的Model，比如：通过继承 Model 类并在 call 方法中实现你自己的前向传播，以创建你自己的完全定制化的模型

2. 一个自定义MLP的例子：

   import keras
   
   class SimpleMLP(keras.Model):
   
       def __init__(self, use_bn=False, use_dp=False, num_classes=10):
           super(SimpleMLP, self).__init__(name='mlp') # ???
           self.use_bn = use_bn
           self.use_dp = use_dp
           self.num_classes = num_classes
   
           self.dense1 = keras.layers.Dense(32, activation='relu')
           self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
           if self.use_dp:
               self.dp = keras.layers.Dropout(0.5)
           if self.use_bn:
               self.bn = keras.layers.BatchNormalization(axis=-1)
   
       def call(self, inputs): # 自定义 froward pass
           x = self.dense1(inputs)
           if self.use_dp:
               x = self.dp(x)
           if self.use_bn:
               x = self.bn(x)
           return self.dense2(x)
   
   model = SimpleMLP()
   model.compile(...)
   model.fit(...)
   

   • 网络层定义在 __init__(self, ...) 中，前向传播在 call(self, inputs) 中指定。在 call 中，你可以指定自定义的损失函数，通过调用 self.add_loss(loss_tensor) （就像你在自定义层中一样）。
   • 在子类模型中，模型的拓扑结构是由 Python 代码定义的（而不是网络层的静态图）。这意味着该模型的拓扑结构不能被检查或序列化。因此，以下方法和属性不适用于子类模型：
     • model.inputs 和 model.outputs。
     • model.to_yaml() 和 model.to_json()。
     • model.get_config() 和 model.save()
   • 关键点：为每个任务使用正确的 API。Model 子类化 API 可以为实现复杂模型提供更大的灵活性，但它需要付出代价（比如缺失的特性）：它更冗长，更复杂，并且有更多的用户错误机会。如果可能的话，尽可能使用函数式 API，这对用户更友好。