keras模型
在keras中主要有两种模型，顺序模型，以及模型类（类的内部有函数）
model.layers 是层的列表，他们组成了模型 model.inputs 是模型输入的张量 model.outputs 是模型输出的张量 model.summary() 打印模型的概要，还有另外一种写法utils.print_summary model.get_config() 返回模型配置的字典，通过以下方式重新加载配置
config = model.get_config()
model = Model.from_config(config)
# or, for Sequential:
model = Sequential.from_config(config) model.get_weights() 以Numpy数组的形式返回模型中所有权重张量的列表 model.set_weights(weights) 通过一个numpy数组设置模型权重值，这个数组的结构与get_weights()返回的数组列表结构相同（比如都是3*4的矩阵）。 model.to_json() 以JSON字符串的形式返回模型的表示形式。注意，表示不包含权重，只包含结构。您也可以通过以下方式用JSON字符串重载相同的模型(使用重新初始化的权重):
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string) model.to_yaml()以YAML字符串的形式返回模型的表示形式。注意，表示不包含权重，只包含结构。您可以通过以下方式用YAML字符串重载相同的模型(使用重新初始化的权重):
from keras.models import model_from_yaml
yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string) model.save_weights(filepath) 将模型的权重保存为HDF5 文件 model.load_weights(filepath, by_name=False) 从HDF5文件(由save_weights创建)重载模型的权重。默认情况下，架构应该保持不变。要将权重加载到不同的体系结构中(与某些层共享)，使用by_name=True可以只加载具有相同名称的那些层。
模型继承
除了这两种类型的模型，通过继承Modle类并且实现你自己的方法调用，您可以创建自己的完全自定制的模型 (模型类是在Keras 2.2.0中引入的)。
下面是模型类实现的一个简单的多层感知模型
import keras
class SimpleMLP(keras.Model): def __init__(self, use_bn=False, use_dp=False, num_classes=):
super(SimpleMLP, self).__init__(name='mlp')
self.use_bn = use_bn
self.use_dp = use_dp
self.num_classes = num_classes self.dense1 = keras.layers.Dense(, activation='relu')
self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
if self.use_dp:
self.dp = keras.layers.Dropout(0.5)
if self.use_bn:
self.bn = keras.layers.BatchNormalization(axis=-) def call(self, inputs):
x = self.dense1(inputs)
if self.use_dp:
x = self.dp(x)
if self.use_bn:
x = self.bn(x)
return self.dense2(x) model = SimpleMLP()
model.compile(...)
model.fit(...)
layers在__init__() 中定义，在call中调用，在call函数中，你可以通过调用self.add_loss(loss_tensor)自定义累计损失
在模型继承中，模型是通过python代码定义的，以下方法和属性在模型继承中是不能使用的。
model.inputs 和 model.outputs
model.to_yaml() 和 model.to_json()
model.get_config() 和 model.save()