使用 Keras 接口有以下 3 种方式构建模型:

• 使用 Sequential(Sequential API) 按层顺序构建模型
• 使用函数式 API(Functional API) 构建任意结构模型
• 继承 Model 基类(Subclassing API)构建自定义模型

模型共有的方法和属性

from tf.keras.model import Model
from tf.keras.model import model_from_json, model_from_yaml

• model.layers
• model.inputs
• model.outputs
• model.summary()
• Config
  • model.get_config()
    • Model.from_config()
    • Sequential.from_config()
• Weights
  • model.get_weights()
    • to Numpy arrays
  • model.set_weights(weights)
    • from Numpy arrays
  • model.save_weights(filepath)
    • to HDF5 file
  • model.loadweights(filepath, byname = False)
    • from HDF5 file
• Save or Load
  • model.to_json()
    • modelfromjson()
  • modeltoyaml()
    • modelfromyaml()

Sequential API

Sequential 模型是层(layers)的线性堆叠

from tensorflow import keras
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist

# data
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# model
model = models.Sequential()
model.add(layers.Dense(units = 64, activation = "relu"))
model.add(layers.Dense(units = 10, activation = "softmax"))
model.compile(
   loss = "categorical_crossentropy",
   optimizer = "sgd",
   metrics = ["accuracy"]
)
model.fit(x_train, y_train, epochs = 5, batch_size = 32)
loss_and_metrics = model.evaluate(x_test, y_test, batch_size = 128)
classes = model.predict(x_test, batch_size = 128)

Functional API

• Keras 函数式 API 是定义复杂模型的方法
• Keras 函数式 API 可以重用经过训练的模型, 可以通过在张量上调用任何模型并将其视为一个层(layers)
  • 调用模型的结构
  • 调用模型的权重

函数式 API 特点

• 所有模型都像层(layer)一样可以调用
• 多输入和多输出模型
• 共享图层
• “层节点"概念

inputs = tf.keras.Input(shape = (28, 28, 1))
x = tf.keras.layers.Flatten()(inputs)
x = tf.keras.layers.Dense(units = 100, activation = tf.nn.relu)(x)
x = tf.keras.layers.Dense(units = 10)(x)
outputs = tf.keras.layers.Softmax()(x)
model = tf.keras.Model(inputs = inputs, outputs = outputs)

Subclassing API

• 使用 Subclassing API 建立模型, 即对 tf.keras.Model 类进行扩展以定义自己的新模型
• 实现 forward pass in the call method
• 模型的 layers 定义在 __init__(self, ...) 中
• 模型的前向传播定义在 call(self, inputs) 中
• 可以通过调用制定的自定义损失函数 self.add_loss(loss_tensor)
• 在 subclassing 模型中, 模型的拓扑结构被定义为 Python 代码, 而不是 layers 的静态图, 因此无法检查或序列化模型的拓扑结构, 即以下方法不适用于 subclassing 模型:
  • model.inputs
  • model.outputs
  • model.to_yaml()
  • model.to_json()
  • model.get_config()
  • model.save()
• 模型(keras.model.Model)子类的 API 可以为实现更加复杂的模型提供了灵活性, 但是是有代价的, 除了以上的功能不能使用, 并且模型更复杂, 更容易出错

import tensorflow as tf

class MyModel(tf.keras.Model):
    
    def __init__(self):
        super(MyModel, self).__init__()
        
        # 此处添加初始化的代码(包含call方法中会用到的层)例如:
        self.layer1 = tf.keras.layers.BuildInLayer()
        self.layer2 = MyCustomLayer(...)

    def call(self, input):
        # 此处添加模型调用的代码(处理输入并返回输出), 例如:
        x = layer1(input)
        self.output = layer2(x)
        return output

model = MyModel()

with tf.GradientTape() as tape:
    logits = model(images)
    loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply(zip(grads, model.trainable_variables))

回调函数-Callbacks

• 回调函数是一个函数的集合, 会在训练的阶段使用
• 可以使用回调函数查看训练模型的内在状态和统计。 也可以传递一个列表的回调函数(作为 callbacks 关键字参数)到 Sequential 或 Model 类型的 .fit() 方法。 在训练时, 相应的回调函数的方法会被在各自的阶段被调用

回调函数API:

• keras.callbacks.Callback()
  • 用来创建新的回调函数的抽象基类
  • .params
  • .model
• keras.callbacks.BaseLogger(stateful_metrics = None)
  • 基类训练 epoch 评估值的均值
• keras.callbacks.TerminateOnNaN()
  • 当遇到损失为 NaN 停止训练
• keras.callbacks.ProgbarLogger()
• keras.callbacks.History()
  • 所有事件都记录到 History 对象
• keras.callbacks.ModelCheckpoint()
  • 在每个训练期之后保存模型
• keras.callbacks.EarlyStopping()
• keras.callbacks.RemoteMonitor()
• keras.callbacks.LearningRateScheduler(schedule, verbose = 0)
• keras.callbacks.TensorBoard()
• keras.callbacks.ReduceLROnPlateau()
• keras.callbacks.CSVLogger()
• keras.callbacks.LambdaCallback()

创建回调函数:

from keras.layers import Dense, Activation
from keras.models import Sequential
from keras.callbacks import ModelCheckpoint

# 模型建立
model = Sequenital()
model.add(Dense(10, input_dim = 784, kernel_initializer = "uniform"))
model.add(Activation("softmax"))

# 模型编译
model.compile(loss = "categorical_crossentropy", optimizer = "rmsporp")

# 模型训练
# 在训练时, 保存批量损失值
class LossHistory(keras.callbacks.Callback):
      def on_train_begin(self, logs = {}):
         self.losses = []

      def on_batch_end(self, batch, logs = {}):
         self.losses.append(logs.get("loss"))
history = LossHistory()

# 如果验证集损失下降, 在每个训练 epoch 后保存模型
checkpointer = ModelCheckpoint(filepath = "/tmp/weight.hdf5",
                               verbose = 1,
                               save_best_only = True)
model.fit(x_train, 
         y_train, 
         batch_size = 128, 
         epochs = 20, 
         verbose = 0,
         validation_data = (x_test, y_test), 
         callbacks = [history, checkpointer]
)

# 模型结果输出
print(history.losses)