关于 Keras 模型

在 Keras 中有两类主要的模型:Sequential 顺序模型使用函数式 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
  2. json_string = model.to_json()
  3. 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
  2. yaml_string = model.to_yaml()
  3. 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
  2. class SimpleMLP(keras.Model):
  3. def __init__(self, use_bn=False, use_dp=False, num_classes=10):
  4. super(SimpleMLP, self).__init__(name='mlp')
  5. self.use_bn = use_bn
  6. self.use_dp = use_dp
  7. self.num_classes = num_classes
  8. self.dense1 = keras.layers.Dense(32, activation='relu')
  9. self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
  10. if self.use_dp:
  11. self.dp = keras.layers.Dropout(0.5)
  12. if self.use_bn:
  13. self.bn = keras.layers.BatchNormalization(axis=-1)
  14. def call(self, inputs):
  15. x = self.dense1(inputs)
  16. if self.use_dp:
  17. x = self.dp(x)
  18. if self.use_bn:
  19. x = self.bn(x)
  20. return self.dense2(x)
  21. model = SimpleMLP()
  22. model.compile(...)
  23. 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.inputsmodel.outputs
  • model.to_yaml()model.to_json()
  • model.get_config()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。