在 Keras 中有兩類主要的模型：Sequential 順序模型 和 使用函數式 API 的 Model 類模型。

兩類模型的方法和屬性大致相同：

• model.layers 是包含模型網絡層的展平列表。

• model.inputs 是模型輸入張量的列表。

• model.outputs 是模型輸出張量的列表。

• model.summary() 打印出模型概述信息。 它是 utils.print_summary 的簡捷調用。

• model.get_config() 返回包含模型配置信息的字典。通過以下代碼，就可以根據這些配置信息重新實例化模型：

  config = model.get_config() model = Model.from_config(config) # 或者，對于 Sequential: model = Sequential.from_config(config

模型保存與恢復

• 模型的權重

  • model.get_weights() 返回模型中所有權重張量的列表，類型為 Numpy 數組。
  • model.set_weights(weights) 從 Numpy 數組中為模型設置權重。列表中的數組必須與 get_weights() 返回的權重具有相同的尺寸。
  • model.save_weights(filepath) 將模型權重存儲為 HDF5 文件。
  • model.load_weights(filepath, by_name=False): 從 HDF5 文件（由 save_weights 創建）中加載權重。默認情況下，模型的結構應該是不變的。 如果想將權重載入不同的模型（部分層相同，比如pre-training, transfer-learnning）， 設置 by_name=True 來載入那些名字相同的層的權重。

• 模型的結構

  • model.to_json() 以 JSON 字符串的形式返回模型的表示。請注意，該表示不包括權重，僅包含結構。你可以通過以下方式從 JSON 字符串重新實例化同一模型（使用重新初始化的權重）：

    from keras.models import model_from_jsonjson_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。請注意，該表示不包括權重，只包含結構。你可以通過以下代碼，從 YAML 字符串中重新實例化相同的模型（使用重新初始化的權重）：

    from keras.models import model_from_yamlyaml_string = model.to_yaml() model = model_from_yaml(yaml_string)

• 注意：另請參閱如何安裝 HDF5 或 h5py 以保存 Keras 模型，在常見問題中了解如何安裝 h5py 的說明。

除了上述Model下面官方的sequential和函數式自定義的Model，還可以實現自定義的Model，比如：通過繼承 Model 類并在 call 方法中實現你自己的前向傳播，以創建你自己的完全定制化的模型

一個自定義MLP的例子：

• 網絡層定義在 __init__(self, ...) 中，前向傳播在 call(self, inputs) 中指定。在 call 中，你可以指定自定義的損失函數，通過調用 self.add_loss(loss_tensor) （就像你在自定義層中一樣）。
• 在子類模型中，模型的拓撲結構是由 Python 代碼定義的（而不是網絡層的靜態圖）。這意味著該模型的拓撲結構不能被檢查或序列化。因此，以下方法和屬性不適用于子類模型：
  • model.inputs 和 model.outputs。
  • model.to_yaml() 和 model.to_json()。
  • model.get_config() 和 model.save()
• 關鍵點：為每個任務使用正確的 API。Model 子類化 API 可以為實現復雜模型提供更大的靈活性，但它需要付出代價（比如缺失的特性）：它更冗長，更復雜，并且有更多的用戶錯誤機會。如果可能的話，盡可能使用函數式 API，這對用戶更友好。