Keras（四）——Model类模型（函数式API）

Model类（函数式API）

Keras函数式API是定义复杂模型（如多输出模型、有向无环图，或具有共享层模型的方法）

全连接网络

• 网络层的实例是可调用的，它以张量为参数，并返回一个张量
• 输入和输出均为张量，他们都可以用来定义一个模型（Model）
• 这样的模型和 Keras 的模型相同，都可以被训练

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

# 返回一个张量
inputs = Input(shape=(784,))

# 层的实例是可调用的，它以张量为参数，并且返回一个张量
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 创建一个包含输入层和三个全连接层的模型
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  # 开始训练
           

利用函数式 API ，可以重用训练好的模型：可将任何模型看作是一个层，然后通过传递一个张量来调用它。且在调用模型时，不仅重用了模型的结构，还重用了它的权重。

函数式 API 的另一个用途是使用共享网络层的模型。

多输入多输出

若只有一个输入：

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

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

assert lstm.output == encoded_a
           

有多个输入时可通过如下方法解决：

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：只要该层有一个节点，或者所有节点都具有相同的输入/输出尺寸，那么他们的输入/输出尺寸就能被很好定义，并且由函数唯一返回。但是如果一个层应用于两个尺寸的输入/输出，就要通过所属节点的索引来获取他们。

更多例子（码着以后看）

• Inception模型
• 卷积层上的残差连接
• 共享视觉模型
• 视觉问答模型
• 视频问答模型

Model 类模型方法

compile（用于配置训练模型）

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

fit 以固定数量的轮次（数据集上的迭代）训练模型

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（在测试模式，返回误差值和评估标准值，计算逐批次进行）

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

predict（为输入样本生成输出预测，计算逐批次进行）

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

train_on_batch ( 一批样品的单次梯度更新 )

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

test_on_batch（在一批样本上评估模型）

test_on_batch(x, y, sample_weight=None)
           

predict_on_batch（返回一批样本的模型预测值）

predict_on_batch(x)
           

fit_generator（使用Py生成器或Sequence 实例逐批生成的数据，按批次训练模型）

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 ( 在数据生成器上评估模型 )

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

predict_generator（为来自数据生成器的输入样本生成预测）

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

get_layer（根据名称或索引值查找网络层）

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