7 函数模型Model细节

【关于函数名称】

　　函数式模型的中文译文是根据模型的使用方式意译的，在英文中，函数式模型英文为Model

【为甚么使用函数式模型】

　　序贯模型(Sequential)有一个缺陷，即网络只能一层一层的堆叠起来，无法处理分支网络的情况。在深度神经网络结构中，比如ResNet或Inception这些相对复杂的模块，使用序贯模型就无法构建。使用函数式模型，构建起模型来则十分方便。

　　Keras的函数式模型为Model，即广义的拥有输入和输出的模型。使用函数式模型很简单，直接在网络层模块后写一个括号，参数就是当前层的输入值，返回值就是当前层的输出值，

　　使用函数式模型构建网络结构如下例所示：

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

a = Input(shape=(32,)) #创建输入层，输入数据为32*1的元祖
b = Dense(32)(a) #创建全连接层b，输入为a层节点，32表示全连接层输出节点有32个
model = Model(inputs=a, outputs=b)

　　可以使用函数式模型构造拥有多输入和多输出的模型

model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])

常用Model属性

• model.layers：组成模型图的各个层
• model.inputs：模型的输入张量列表
• model.outputs：模型的输出张量列表

Model模型方法

　　与序贯模型相同，参考网址：https://keras-cn.readthedocs.io/en/latest/models/model/

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

fit(self, 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(self, x, y, batch_size=32, verbose=1, sample_weight=None)

predict(self, x, batch_size=32, verbose=0)

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

test_on_batch(self, x, y, sample_weight=None)

predict_on_batch(self, x)

fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)

evaluate_generator(self, generator, steps, max_q_size=10, workers=1, pickle_safe=False)

predict_generator(self, generator, steps, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)