有兩種方法初始化Model：
1. 利用函數API，從Input開始，然后后續指定前向過程，最后根據輸入和輸出來建立模型：
2. 通過構建Model的子類來實現：類似於pytorch的nn.Module：通過在__init__中定義層的實現，然后再call函數中實現前向過程：
方法：
1. compile
用於配置模型訓練
optimizer： string型優化器名，tf.keras.optimizers.
loss：string型函數名，目標函數或tf.keras.losses.Loss ，目標函數需為：scalar_loss = fn(y_true, y_pred)。如果模型有多個輸出，可以在每個outpu利用不同的損失通過傳遞一個字典或者列表loss。
metric：在訓練和測試中用到的度量方法。典型的可以用metrics=['accuracy']。對於多輸出情況可以傳遞一個字典：metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']}。也可以傳遞一個列表（長度得和輸出的長度一致）：metrics=[['accuracy'], ['accuracy', 'mse']] or metrics=['accuracy', ['accuracy', 'mse']].
loss_weights:可選。格式為列表或字典，來對不同損失進行加權。最終的loss將會是這些損失的加權和。
sample_weight_mode: 如果需要實現時序模式的加權，可以設為’temporal‘，默認為None。如果model有多個輸出，可以利用不同的sample_weight_mode在不同的輸出上。
weightd_metrics: 有許多評估方法metrics組成的列表，由sample_weight或者class_weight來進行加權。
target_tensors:默認情況下keras將會為模型traget創建placeholders，就是在訓練時為target位置放入數據。如果希望利用自己的target tensor，可以利用該參數。可以是單tensor（單輸出情況），也可以是tensor列表或者字典映射。
distribute：TF2不支持。
2. evaluate
x: 輸入數據，可以是numpy數組（或列表numpy表示多輸入）、可以實tf tensor（或列表tensor）、可以是字典、可以是tf.data數據集、可以是生成器或者keras.utils.Sequence實例
y：目標數據。類似x。
batch_size: 整數或None。不指定則默認為32。符號tensor，dataset，generator、 keras.utils.Sequence實例的情況下不要指定該參數。
verbose：0或1。Verbosity mode. 0 = silent, 1 = progress bar.
sample_weight: 用於在損失函數中進行加權，可選。
step：整數或None。開始評估前所需要的步數。
callbacks： keras.callbacks.Callback 列表實例。
max_queue_size: 整數，僅對於輸入是生成器或keras.utils.Sequence 時使用。生成器隊列的最大尺寸。不指明則默認為10.
workers: 整數，僅對於輸入是生成器或keras.utils.Sequence 時使用。使用基於進程的線程時要啟動的最大進程數。默認為1.
use_multiprocessing：布爾。僅對於輸入是生成器或keras.utils.Sequence 時使用。
3. fit
迭代訓練模型
前幾個參數用法同上。
validation_split:位於0-1之間的浮點數。划分一定比例的數據用於驗證。這部分數據將不會用於訓練。選取時將會采用x和y中shuffle前的最后樣本。
validation_data：模型將會在這上面進行驗證，不參與訓練。指定后將會覆蓋validation_split 參數，格式為：
class_weight: 可選。字典格式：將類索引（整數）映射到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這有助於告訴模型“更加關注”來自表示不足的類的樣本。
steps_per_epoch:整數或None。周期中迭代次數。訓練數據是類似於tf的tensor時默認情況就是數據大小/批量大小。當x是tf.data時不指定該參數則周期迭代直到輸入數據被遍歷完。
validaton_steps：僅當有validation_data時有效。
validation_freq：僅當有validation_data時有效。整數則表示在進行新的驗證前需要訓練多少個epoch。validation_freq=[1, 2, 10]則表示在第1，2，10個epoch之后進行驗證。
4. get_layer
根據名字或索引來檢索一個layer。如果都提供的話，先考慮index。索引基於水平圖遍歷的順序（自下而上）。
5. load_weights
從TF或HDF5權重文件中載入權重。 如果by_name為False，則根據網絡拓朴來載入權重，這意味着網絡結構應與保存的權重一致。不包含權重的層不考慮在網絡結構中，所以添加或移除這些層不影響。如果by_name為True，僅僅有相同名字的層權重會被載入。這對於微調或者遷移模型中需要改變一些層的操作是有用的。當by_name=False時僅僅tf格式的權重是支持的。注意到從tf和HDF5中load操作有細微不同。HDF5基於展平的權重列表，而TF是基於在model中定義的層的名字。skip_mismatch為布爾，僅在by_name=True時有效：對於形狀或數目不能匹配的層進行略過。
6. predict
對輸入樣本進行預測，參數和前面基本一致。
7. predict_on_batch
對於單一的批量進行預測。x的要求和前面一樣。
8. reset_metrics和reset_states：重置metrics的狀態、重置state。
9. save
保存模型到tf或HDF5文件中。要保存的文件savefile包括：
保存的模型可以通過keras.models.load_model. 載入。有load_model返回的模型是是一個已編譯的模型，可以使用（除非保存的模型從未編譯過）。由Sequential和函數API構建的模型可以保存為HDF5和SavedModel格式。子類模型可以僅可被保存為 SavedModel格式。
參數save_format：可以為r 'tf' or 'h5', 在TF2中默認為tf，TF1中默認為h5.
signature僅在’tf‘格式中可用。
10. save_weights
保存所有層的權重，save_format可以指定村委HDF5或TF格式。 當村委HDF5格式時，權重文件需要有：
存為TF格式時，網絡引用的所有對象都以與tf.train.Checkpoint相同的格式保存，包括分配給對象屬性的任何層實例或優化器實例。對於使用tf.keras.Model（inputs，outputs）構建的網絡，網絡使用的層實例將被自動跟蹤/保存。對於從tf.keras.Model繼承的用戶定義類，必須將層實例分配給對象屬性，通常在構造函數中。詳見tf.train.Checkpoint和tf.keras.Model文檔。
雖然格式相同，但不要混合使用save_weights和tf.train.Checkpoint。Model.save_weights保存的檢查點應使用Model.load_weights加載。使用tf.train.Checkpoint.save保存的檢查點應使用相應的tf.train.Checkpoint.restore還原。
TensorFlow格式從根對象開始匹配對象和變量，self表示save_weights，貪婪地匹配屬性名。對於Model.save是模型，對於Checkpoint.save是檢查點，即使檢查點附加了模型。這意味着，使用save_weights保存tf.keras.Model並加載到tf.train.Checkpoint中，同時附加一個模型（反之亦然），將與模型的變量不匹配。有關TensorFlow格式的詳細信息，請參閱guide to training checkpoints。
11. summary
打印網絡信息。positions:每行日志元素的相對或絕對位置。如果未提供，則默認為[.33、.55、.67、1.]。
12. test_on_batch
如果reset_metrics=True,則metrics僅在該批量中返回。False則將度量將有狀態地根據批量累積。
13. to_json和to_yaml
返回不同格式的網絡信息。可以分別利用 keras.models.model_from_yaml(yaml_string, custom_objects{}).、 keras.models.model_from_json(json_string, custom_objects={})來載入網絡中。
14. train_on_batch
在單一批量數據上進行單次梯度更新。返回訓練loss。
tf.keras.Sequential
方法基本和Model一樣。
