tf.keras.Input()
初始化一个keras张量
tf.keras.Input( shape=None, batch_size=None, name=None, dtype=None, sparse=False, tensor=None, **kwargs )
参数：
shape：形状元组（整数），不包括批量大小。例如，shape=(32,)表示预期输入将是32维向量的批次。
batch_size：可选的静态批处理大小（整数）。
name：图层的可选名称字符串。在模型中应该是唯一的（不要重复使用相同的名称两次）。如果没有提供，它将自动生成。
dtype：数据类型由输入预期的，作为字符串（float32，float64，int32...）
sparse：一个布尔值，指定要创建的占位符是否稀疏。
tensor：可选的现有张量以包装到Input图层中。如果设置，该图层将不会创建占位符张量。
**kwargs：不推荐的参数支持。
案例：
x = Input(shape=(32,)) y = tf.square(x)
tf.keras.Model()
将layers分组为具有训练和推理特征的对象
两种实例化的方式：
1 - 使用“API”，从开始，链接层调用以指定模型的正向传递，最后从输入和输出创建模型：
import tensorflow as tf inputs = tf.keras.Input(shape=(3,)) x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs) outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x) model = tf.keras.Model(inputs=inputs, outputs=outputs)
2 - 通过继承Model类：在这种情况下，您应该在__init__定义你的layers，并且应该在call函数里实现模型的正向传递。
import tensorflow as tf class MyModel(tf.keras.Model): def __init__(self): super(MyModel, self).__init__() self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu) self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax) def call(self, inputs): x = self.dense1(inputs) return self.dense2(x) model = MyModel()
tf.keras.Model.compile():模型编译
compile( optimizer,---> ['Adadelta', 'Adagrad', 'Adam', 'Adamax', 'FTRL', 'NAdam', 'optimizer', 'RMSprop', 'SGD'] loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None, distribute=None, **kwargs )
参数：
optimizer: 优化参数，选择范围我们已经在上面的代码块展示了。
loss:
BinaryCrossentropy：计算真实标签和预测标签之间的交叉熵损失。 CategoricalCrossentropy：计算标签和预测之间的交叉熵损失。 CategoricalHinge：计算y_true和y_pred之间的分类铰链损失。 CosineSimilarity：计算y_true和y_pred之间的余弦相似度。 Hinge：计算y_true和y_pred之间的铰链损耗。 Huber：计算y_true和y_pred之间的Huber损失。 KLDivergence：计算y_true和y_pred之间的Kullback Leibler差异损失。 LogCosh：计算预测误差的双曲余弦的对数。 Loss：损失基类。 MeanAbsoluteError：计算标签和预测之间的绝对差异的平均值。 MeanAbsolutePercentageError：计算y_true和y_pred之间的平均绝对百分比误差。 MeanSquaredError：计算标签和预测之间的误差平方的平均值。 MeanSquaredLogarithmicError：计算y_true和y_pred之间的均方对数误差。 Poisson：计算y_true和y_pred之间的泊松损失。 Reduction：减少损失的类型。 SparseCategoricalCrossentropy：计算标签和预测之间的交叉熵损失。 SquaredHinge：计算y_true和y_pred之间的平方铰链损耗。
metrics: 训练和测试期间要使用的评估指标。
1、metrics=['accuracy'] 2、多输出模型的不同输出指定不同的度量标准： metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']} metrics=[['accuracy'], ['accuracy', 'mse']] metrics=['accuracy', ['accuracy', 'mse']]
sample_weight_mode：如果您需要进行时间步长样本加权（2D权重），请将
其设置为"temporal"。 None默认为采样权重（1D）。如果模型具有多个
输出，则可以sample_weight_mode通过传递字典或模式列表在每个输出上
使用不同的输出。
weighted_metrics：在训练和测试期间由sample_weight或class_weight评估和加权的指标列表。
tf.keras.Model.evaluate():模型评估
evaluate( x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False )
参数：
x: 测试自变量，可以是Numpy数组或数组列表、TensorFlow张量或张量列表、如果模型
具有命名输入，则dict将输入名称映射到相应的数组/张量、tf.data数据集或数据
集的迭代、生成器或keras.utils.Sequence实例。
y: 目标数据，类型同x一样。
batch_size: 每个批量处理的数据量。整数。默认为32。如果你的数据是 symbolic
tensors, dataset, dataset iterators, generators, or keras.utils.
Sequence则不需要指定该参数，因为它会生成batchs.
verbose: 0, 1，默认为1。日志显示，批量输出，你可以控制输出的间隔。
steps: 整数或None，每轮迭代的步数。如果x是 tf.data dataset or a dataset iterator,
and steps is None，则数据将会耗尽为止。
max_queue_size: 默认为10，生成队列的最大size。
workers: 进程数。
tf.keras.Model.evaluate_generator():
在数据生成器上评估模型
evaluate_generator( generator, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0 )
tf.keras.Model.fit():在数据上拟合模型
fit( 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, validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False, **kwargs )
参数：
validation_split： 0，1之间的浮点数。分割部分数据用于验证，其余用于训练。当x
是dataset, dataset iterator, generator or keras.utils.Sequence时该
参数不可用。
validation_data：指定验证集数据：
(x_val, y_val)、（x_val, y_val, val_sample_weights)；
dataset or a dataset iterator两种数据对于上面两种情况要指定
validation_steps。
class_weight： 指定权值分配，可以突出重点关注的类别。（对损失函数加权）
sample_weight： 样本加权，对损失函数加权，以获得更好的结果。这里可以是numpy
数组，必须保障shape是和传入数据大小一致。应该确保在compile()中
指定sample_weight_mode=“temporal”，dataset, dataset iterator,
generator, or keras.utils.Sequence不支持该参数。
initial_epoch: 整数。开始训练的epoch（对于恢复以前的训练运行很有用）。
steps_per_epoch: 每个epoch的迭代步数。
validation_steps：
validation_freq: 指定验证的epoch，可以为整数或者列表：如：[1,2,10]。
tf.keras.Model.fit_generator():
在数据生成器上拟合模型，可以减少内存消耗
fit_generator( generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, validation_freq=1, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0 )
这里传入的数据必须是生成器（yield），如：
def generate_arrays_from_file(path): while 1: f = open(path) for line in f: # create numpy arrays of input data # and labels, from each line in the file x1, x2, y = process_line(line) yield ({'input_1': x1, 'input_2': x2}, {'output': y}) f.close() model.fit_generator(generate_arrays_from_file('/my_file.txt'), steps_per_epoch=10000, epochs=10)
tf.keras.Model.get_layer():
获取图层：根据其名称（唯一）或索引检索图层
get_layer( name=None, index=None )
tf.keras.Model.load_weights():
从TensorFlow或HDF5文件加载所有图层权重
load_weights( filepath, by_name=False )
tf.keras.Model.predict():预测
predict( x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False )
参数：
x：Numpy数组（或类数组）或数组列表、TensorFlow张量或张量列表、
数据集或数据集的迭代、生成器或keras.utils.Sequence实例
tf.keras.Model.predict_generator():
以生成器传入数据进行预测
predict_generator( generator, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0 )
tf.keras.Model.predict_on_batch():
单批次样本进行预测
predict_on_batch(x)
tf.keras.Model.test_on_batch():
单批次样本进行测试
test_on_batch( x, y=None, sample_weight=None, reset_metrics=True )
tf.keras.Model.train_on_batch():
单批次样本进行训练
train_on_batch( x, y=None, sample_weight=None, class_weight=None, reset_metrics=True )
tf.keras.Model.reset_metrics():重置指标的状态
如果True，返回的指标仅适用于此批次。如果False，指标将在批次之间有状态地累积。
tf.keras.Model.reset_states():
重置状态,需要连续调用的时候最好使用resets_states()
tf.keras.Model.save():保存模型
save( filepath, overwrite=True, include_optimizer=True, save_format=None )
将模型保存到Tensorflow SavedModel或单个HDF5文件。
保存文件包括：
1、模型体系结构，允许重新实例化模型。
2、模型权重。
3、优化器的状态，允许您从中断的位置恢复训练。
参数：
filepath： 字符串，模型保存的位置
overwrite： 是否静默覆盖目标位置的现有文件，或者为用户提供手动提示
include_optimizer： 如果为True，则将优化器的状态保存在一起
save_format： 保存的类型，‘tf’，‘h5’，目前tf已经禁用了（tensorflow2.0中）
from keras.models import load_model model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' del model # deletes the existing model # returns a compiled model # identical to the previous one model = load_model('my_model.h5')
tf.keras.Model.save_weights():保存所有图层权重
save_weights( filepath, overwrite=True, save_format=None )
tf.keras.Model.summary():打印网络的字符串摘要
summary( line_length=None, positions=None, print_fn=None )
参数：
line_length： 打印行的总长度（例如，将其设置为使显示适应不同的终端窗口大小）。
positions： 每行中日志元素的相对或绝对位置。如果未提供，则默认为[.33, .55, .67, 1.]。
print_fn： 打印功能。默认为print。它将在摘要的每一行上调用。您可以将其设置为自定义函
数以捕获字符串摘要。
tf.keras.Model.to_json():
返回包含网络配置的JSON字符串
要从保存文件JSON加载网络，请使用
keras.models.model_from_json(json_string, custom_objects={})。
tf.keras.Model.to_yaml():
返回包含网络配置的yaml字符串
要从yaml保存文件加载网络，请使用
keras.models.model_from_yaml(yaml_string, custom_objects={})。