keras模型使用（一）

keras模型使用

keras官方文档中文版：https://keras.io/zh/

from keras.layers import Input
from keras.models import Model
from keras import optimizers
from keras.callbacks import ModelCheckpoint

input = Input(shape=(c.size_train[0], c.size_train[1], 4))    #keras模型的输入是keras tensor
pred = Net(input)    #自定义网络
model = Model(input, pred)    #将指定输入输出的网络变成Model：将培训和评估程序添加到网络（Network）中。
model.summary()    #打印网络的字符串摘要。
adam = optimizers.Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(optimizer=adam, loss=['categorical_crossentropy' for _ in range(4)], loss_weights=[10.0, 0.1, 0.1, 0.1], metrics=['accuracy'])
modelcheck = ModelCheckpoint(model_weights, monitor='val_l1_acc', save_best_only=False, mode='auto')
callable = [modelcheck]    #
model.load_weights(args['model'] + '/' + a[-1], by_name=True)
H = model.fit_generator(generator=train_set, 
                    steps_per_epoch=train_numb // c.batch_size, 
                    epochs=c.num_epochs, 
                    verbose=1, 
                    validation_data=val_set, 
                    validation_steps=valid_numb // c.batch_size, 
                    callbacks=callable, 
                    max_q_size=1)
                    #generator

以上为某中使用方式的代码片段

一. Input()

keras.engine.input_layer #模块keras.engine.input_layer，输入层代码（Input和InputLayer）。

Input（）用于实例化Keras tensor（张量）。

• Keras张量是来自底层后端（Theano，TensorFlow或CNTK）的张量对象，我们通过某些属性进行扩充，这些属性允许我们仅通过了解模型的输入和输出来构建Keras模型。
• 例如，如果a，b和c是Keras张量，则可以这样做：model = Model（input = [a，b]，output = c）
• 添加的Keras属性是：

_keras_shape：通过Keras端形状推断传播的整数形状元组。
_keras_history：应用于张量的最后一层。 可以递归地从该层检索整个图层图。

def Input(shape: Any = None,
          batch_shape: Any = None,
          name: Any = None,
          dtype: Any = None,
          sparse: bool = False,
          tensor: Any = None) -> {__len__}

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_shape：形状元组（整数），包括批量大小。 例如，batch_shape
  =（10,32）表示预期输入将是10个32维向量的批次。 batch_shape =（None，32）表示任意数量的32维向量的批次。
• 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：输入所期望的数据类型，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为稀疏。
• tensor：可选的现有张量以包装到Input层。 如果设置，该图层将不会创建占位符张量。

返回值

一个tensor张量。

例子

from keras.layers import Input
from keras.models import Model

＃这是Keras的逻辑回归
x = Input(shape=(32,)) 
y = Dense(16, activation='softmax')(x)  #Dense模型的输出
model = Model(x, y)   #见下条说明

二. Model(Network)类

keras.engine.training #模块keras.engine.training，Keras引擎的训练相关部分。

class Model(Network)
The Model class adds training & evaluation routines to a Network.
“Model类将培训和评估程序添加到网络（Network）中。”

from keras.models import Model

model = Model(input, output)  #定义模型的输入输出
model.summary()  #见下条说明

–> 1. Network(Layer)类

keras.engine.network #模块keras.engine.network。网络是组合图层的方式：模型的拓扑形式。

class Network(Layer)
A Network is a directed acyclic graph of layers.It is the topological form of a “model”. A Model is simply a Network with added training routines.
“Network是层（Layer）的有向无环图。它是“模型”的拓扑形式。 Model只是一个增加了训练程序的网络。”

属性

• name

• inputs

• outputs

• layers

• input_spec (list of class instances“类实例列表”)
  each entry describes one required input: ndim; dtype.
  “每个条目描述一个必需的输入：ndim；dtype。”

• trainable (boolean)

• input_shape

• output_shape

• weights (list of variables)

• trainable_weights (list of variables)

• non_trainable_weights (list of variables)

• losses

• updates

• state_updates

• stateful

方法

• __ call __
• summary
• get_layer
• get_weights
• set_weights
• get_config
• compute_output_shape
• save
• add_loss
• add_update
• get_losses_for
• get_updates_for
• to_json
• to_yaml
• reset_states

类方法

• from_config

Raises（增加/附加？）

• TypeError: if input tensors are not Keras tensors (tensors returned by Input).
  “如果输入张量不是Keras张量（Input返回的张量）”

–> 2. Layer（object）类

keras.engine.base_layer 模块keras.engine.base_layer。包含基础Layer类，所有层都从该类继承。

Abstract base layer class. “抽象基础层 类”

属性

• input, output: Input/output tensor(s). Note that if the layer is used more than once (shared layer), this is ill-defined and will raise an exception. In such cases, use layer.get_input_at(node_index).
• input_mask, output_mask: Mask tensors. Same caveats apply as input, output.
• input_shape: Shape tuple. Provided for convenience, but note that there may be cases in which this attribute is ill-defined (e.g. a shared layer with multiple input shapes), in which case requesting input_shape will raise an Exception. Prefer using layer.get_input_shape_at(node_index).
• input_spec: List of InputSpec class instances each entry describes one required input: ndim; dtype. A layer with n input tensors must have an input_spec of length n.
• name: String, must be unique within a model.
• non_trainable_weights: List of variables.
• output_shape: Shape tuple. See input_shape.
• stateful:Boolean indicating whether the layer carries additional non-weight state. Used in, for instance, RNN cells to carry information between batches.
• supports_masking: Boolean indicator of whether the layer supports masking, typically for unused timesteps in a sequence.
• trainable: Boolean, whether the layer weights will be updated during training.
• trainable_weights: List of variables.
• uses_learning_phase:Whether any operation of the layer uses K.in_training_phase() or K.in_test_phase().
• weights: The concatenation of the lists trainable_weights and non_trainable_weights (in this order).

方法

• call(x, mask=None): Where the layer’s logic lives.
• __call __(x, mask=None): Wrapper around the layer logic (call).

If x is a Keras tensor:
Connect current layer with last layer from tensor: self._add_inbound_node(last_layer)
Add layer to tensor history
If layer is not built:
Build from x._keras_shape

• compute_mask(x, mask)
• compute_output_shape(input_shape)
• count_params()
• get_config()
• get_input_at(node_index)
• get_input_mask_at(node_index)
• get_input_shape_at(node_index)
• get_output_at(node_index)
• get_output_mask_at(node_index)
• get_output_shape_at(node_index)
• get_weights()
• set_weights(weights)

类方法

• from_config(config)

Internal methods（内部方法）

• _add_inbound_node(layer, index=0)
• assert_input_compatibility()
• build(input_shape)

三. summary()

keras.engine.network.Network #模块keras.engine.network中的Network类，Network 类的具体说明见上一节：
keras.engine.network #模块keras.engine.network。网络是组合图层的方式：模型的拓扑形式。

打印网络的字符串摘要。

def summary(self,
            line_length: Any = None,
            positions: Any = None,
            print_fn: Any = None) -> None

参数

line_length: Total length of printed lines “打印行的总长度”
(e.g. set this to adapt the display to different terminal window sizes.
“ 例如，将其设置为使显示适应不同的终端窗口大小。”)
positions: Relative or absolute positions of log elements in each line. If not provided, defaults to [.33, .55, .67, 1.].
“每行中log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: Print function to use.（要使用的打印功能。）
It will be called on each line of the summary. You can set it to a custom function in order to capture the string summary.It defaults to print (prints to stdout).
“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。 默认为打印（打印到标准输出）。”