1. 模型共有方法
1.1. summary
打印出模型概况
1.2. get_config
返回包含模型配置信息的Python字典。模型也可以从它的config信息中重构回去:Model.from_config(config)
1.3. get_weights set_weights
返回模型权重张量的列表,类型为numpy array
从numpy array里将权重载入给模型,要求形状相同
从numpy array里将权重载入给模型,要求形状相同
1.4. to_json to_yaml
返回代表模型的JSON/YAML字符串,仅包含网络结构,不包含权值。
可以从JSON/YAML字符串中重构原模型:model_from_json(json_string) model_from_yaml(yaml_string)
1.5. save_weights load_weights
将模型权重保存到指定路径,文件类型是HDF5(后缀是.h5)
从HDF5文件中加载权重到当前模型中, 默认情况下模型的结构将保持不变。如果想将权重载入不同的模型(有些层相同)中,则设置 by_name=True ,只有名字匹配的层才会载入权重
从HDF5文件中加载权重到当前模型中, 默认情况下模型的结构将保持不变。如果想将权重载入不同的模型(有些层相同)中,则设置 by_name=True ,只有名字匹配的层才会载入权重
2. Sequential模型接口
2.1. 属性
2.1.1. layers
添加到模型上的层的list
2.2. 方法
2.2.1. compile
compile(self, optimizer, loss, metrics=[], sample_weight_mode=None)
- optimizer:字符串(预定义优化器名)或优化器对象,参考优化器
- loss:字符串(预定义损失函数名)或目标函数,参考目标函数
- metrics:列表,包含评估模型在训练和测试时的网络性能的指标,典型用法是 metrics=['accuracy']
- sample_weight_mode:如果你需要按时间步为样本赋权( 2D权矩阵),将该值设为“temporal”。默认为“None”,代表按样本赋权&