Keras（四）——Model類模型（函數式API）

Model類（函數式API）

Keras函數式API是定義複雜模型（如多輸出模型、有向無環圖，或具有共享層模型的方法）

全連接配接網絡

• 網絡層的執行個體是可調用的，它以張量為參數，并傳回一個張量
• 輸入和輸出均為張量，他們都可以用來定義一個模型（Model）
• 這樣的模型和 Keras 的模型相同，都可以被訓練

from keras.layers import Input, Dense
from keras.models import Model

# 傳回一個張量
inputs = Input(shape=(784,))

# 層的執行個體是可調用的，它以張量為參數，并且傳回一個張量
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 建立一個包含輸入層和三個全連接配接層的模型
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  # 開始訓練
           

利用函數式 API ，可以重用訓練好的模型：可将任何模型看作是一個層，然後通過傳遞一個張量來調用它。且在調用模型時，不僅重用了模型的結構，還重用了它的權重。

函數式 API 的另一個用途是使用共享網絡層的模型。

多輸入多輸出

若隻有一個輸入：

a = Input(shape=(280, 256))

lstm = LSTM(32)
encoded_a = lstm(a)

assert lstm.output == encoded_a
           

有多個輸入時可通過如下方法解決：

assert lstm.get_output_at(0) == encoded_a
assert lstm.get_output_at(1) == encoded_b
           

input_shape 和 output_shape 也是如此：隻要該層有一個節點，或者所有節點都具有相同的輸入/輸出尺寸，那麼他們的輸入/輸出尺寸就能被很好定義，并且由函數唯一傳回。但是如果一個層應用于兩個尺寸的輸入/輸出，就要通過所屬節點的索引來擷取他們。

更多例子（碼着以後看）

• Inception模型
• 卷積層上的殘差連接配接
• 共享視覺模型
• 視覺問答模型
• 視訊問答模型

Model 類模型方法

compile（用于配置訓練模型）

compile(optimizer, loss=None, metrics=None, loss_weights=None, 	
		sample_weight_mode=None, weighted_metrics=None, target_tensors=None)
           

fit 以固定數量的輪次（資料集上的疊代）訓練模型

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None,   
	validation_split=0.0, validation_data=None, shuffle=True, 
	class_weight=None, sample_weight=None, initial_epoch=0, 
	steps_per_epoch=None, validation_steps=None)
           

evaluate（在測試模式，傳回誤內插補點和評估标準值，計算逐批次進行）

evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, 
		 steps=None)
           

predict（為輸入樣本生成輸出預測，計算逐批次進行）

predict(x, batch_size=None, verbose=0, steps=None)
           

train_on_batch ( 一批樣品的單次梯度更新 )

train_on_batch(x, y, sample_weight=None, class_weight=None)
           

test_on_batch（在一批樣本上評估模型）

test_on_batch(x, y, sample_weight=None)
           

predict_on_batch（傳回一批樣本的模型預測值）

predict_on_batch(x)
           

fit_generator（使用Py生成器或Sequence 執行個體逐批生成的資料，按批次訓練模型）

fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, 
				callbacks=None, validation_data=None, validation_steps=None, 				 class_weight=None, max_queue_size=10, workers=1, 			
				use_multiprocessing=False, shuffle=True, initial_epoch=0)
           

evaluate_generator ( 在資料生成器上評估模型 )

evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, 
					use_multiprocessing=False, verbose=0)
           

predict_generator（為來自資料生成器的輸入樣本生成預測）

predict_generator(generator, steps=None, max_queue_size=10, workers=1, 	
				  use_multiprocessing=False, verbose=0)
           

get_layer（根據名稱或索引值查找網絡層）

get_layer(self, name=None, index=None)