python 的 Keras函数式模型

　　比序贯模型要复杂，但是效果很好，可以同时/分阶段输入变量，分阶段输出想要的模型。

　　所以说，只要你的模型不是类似VGG一样

　　1，应用函数式模型的基本步骤

　　1，model.layers() 添加层

　　2，model.compile() 模型训练的BP模式设置

　　3，model.fit() 　　模型训练参数设置+训练

　　4，evaluate() 模型评估

　　5，predict() 模型预测

　　2，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

　　1model = Model(inputs=, outputs = )

　　3，指定输入数据的shape

　　1inputs = Input(shape = (20, ))

　　4，编译，训练，评估，预测等步骤与序贯式模型相同(这里不再赘述)

　　1compile(self, optimizer, loss, metrics=None, loss_weights=None, sample_weight_mode=None)

　　本函数按batch计算在某些输入数据上模型的误差，其参数有：

　　x：输入数据，与fit一样，是numpy array或者numpy array的list

　　y：标签，numpy array

　　batch_size：整数，含义同fit的同名函数

　　verbose：含义与fit的同名函数，但是只能取0或者1

　　sample_weight：numpy array，含义同fit的同名函数

　　本函数编译模型以供训练，参数有：

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

　　序贯模型和函数模型共同的API

　　model.summary()：打印出模型的概况，它实际调用的是keras.utils.print_summary

　　model.get_config()：返回包含模型配置信息的Python字典，模型也可以从config中重构回去。

　　config = model.get_config()

　　model = Model.from_config(config)

　　model = Sequential.from_config(config)

　　上面是分别对序贯模型和函数式模型载入config

　　model.get_layer()：依据层名或下标获得层对象

　　model.get_weights()：返回模型权重张量的列表，类型为numpy.array

　　model.set_weights()：从numpy array里载入给模型，要求数组与model.get_weights()一样

　　model.to_json()：返回代表模型的JSON字符串，仅仅包含网络结构，不包含权重，可以从JSON字符串中重构模型

　　以上内容为大家介绍了python 的 Keras函数式模型，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注多测师。https://www.e70w.com/xwzx/