关于 Keras 模型

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。

这些模型有许多共同的方法和属性：

  • 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：
  1. config = model.get_config()
  2. model = Model.from_config(config)
  3. # 或者，对于 Sequential:
  4. model = Sequential.from_config(config)
  • 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.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）：
  1. from keras.models import model_from_json
  3. json_string = model.to_json()
  4. 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）：
  1. from keras.models import model_from_yaml
  3. yaml_string = model.to_yaml()
  4. model = model_from_yaml(yaml_string)
  • 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）， 设置 by_name=True 来载入那些名字相同的层的权重。

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。

Model 类继承

除了这两类模型之外，你还可以通过继承 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，（Model 类继承 API 引入于 Keras 2.2.0）。

这里是一个用 Model 类继承写的简单的多层感知器的例子：

  1. import keras
  3. class SimpleMLP(keras.Model):
  5.     def __init__(self, use_bn=False, use_dp=False, num_classes=10):
  6.         super(SimpleMLP, self).__init__(name='mlp')
  7.         self.use_bn = use_bn
  8.         self.use_dp = use_dp
  9.         self.num_classes = num_classes
  11.         self.dense1 = keras.layers.Dense(32, activation='relu')
  12.         self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
  13.         if self.use_dp:
  14.             self.dp = keras.layers.Dropout(0.5)
  15.         if self.use_bn:
  16.             self.bn = keras.layers.BatchNormalization(axis=-1)
  18.     def call(self, inputs):
  19.         x = self.dense1(inputs)
  20.         if self.use_dp:
  21.             x = self.dp(x)
  22.         if self.use_bn:
  23.             x = self.bn(x)
  24.         return self.dense2(x)
  26. model = SimpleMLP()
  27. model.compile(...)
  28. 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）。

在类继承模型中，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类继承模型：

  • 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 类继承 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。