tf.keras.Model研读

Model模块可以将Layer组合成具有针对特征的训练的推演功能的对象。

1. 简单介绍

1.1 输入参数

参数名称	参数说明
inputs	模型的输入，可以是单个的tf.keras.Input也可以是一个由tf.keras.Input组成的List
outputs	模型的输出
name	模型的名称，string类型

1.2 使用方法

1.2.1 Functional API

将使用到的层按照模型前序的顺序构建好后，在最后从输入到输出构建需要的模型.

import tensorflow as tf

inputs = tf.keras.Input(shape=(3,))

x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.laters.Dense(5, activation=tf.nn.softmax)(x)

model = tf.keras.Model(inputs=inputs, outputs=outputs)

1.2.2 SubClassing API

使用subclassing api的时候，可以在__init__()中定义将要使用到的layer，并在call()中定义模型的前馈逻辑.

import tensorflow as tf


class MyModel(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
        self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
        self.dropout = tf.keras.layers.Dropout(0.5)

    def call(self, inputs, trainging=False):
        x = self.dense1(inputs)
        if training:        # 通过training参数对训练和interface过程中的不同逻辑进行控制
            x = self.dropout(x, training=training)
        return self.dense2(x)
    
model = MyModel()

2. 常用方法

2.1 call

call(inputs, training=None, mask=None)

参数名称	参数说明
inputs	模型输入，可以是由tensor组成的dict/list/tuple
training	Boolean值，对网络是进行training或者是interface进行区分
mask	网络中可能会用到的mask

2.2 compile

compile(optimizer='rmsprop',
        loss=None,
        metrics=None,
        loss_weights=None,
        weighted_metrics=None,
        run_eagerly=None,
        steps_per_execution=None,
        jit_compile=None,
        **kwargs)

参数名称	参数说明
optimizer	优化器
loss	损失函数
metrics	评估指标

作用过程