tf调不到keras怎么 回事_tf.keras模块——Input、Model

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,