model.layers 是层的列表，他们组成了模型model.inputs 是模型输入的张量model.outputs 是模型输出的张量model.summary() 打印模型的概要，还有另外一种写法utils.print_summarymodel.get_config() 返回模型配置的字典，通过以下方式重新加载配置
config = model.get_config()
model = Model.from_config(config)
# or, for Sequential:
model = Sequential.from_config(config)model.get_weights() 以Numpy数组的形式返回模型中所有权重张量的列表model.set_weights(weights) 通过一个numpy数组设置模型权重值，这个数组的结构与get_weights()返回的数组列表结构相同（比如都是3*4的矩阵）。model.to_json() 以JSON字符串的形式返回模型的表示形式。注意，表示不包含权重，只包含结构。您也可以通过以下方式用JSON字符串重载相同的模型(使用重新初始化的权重):
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)model.to_yaml()以YAML字符串的形式返回模型的表示形式。注意，表示不包含权重，只包含结构。您可以通过以下方式用YAML字符串重载相同的模型(使用重新初始化的权重):
from keras.models import model_from_yaml
yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string)model.save_weights(filepath) 将模型的权重保存为HDF5 文件model.load_weights(filepath, by_name=False) 从HDF5文件(由save_weights创建)重载模型的权重。默认情况下，架构应该保持不变。要将权重加载到不同的体系结构中(与某些层共享)，使用by_name=True可以只加载具有相同名称的那些层。

import keras
class SimpleMLP(keras.Model):def __init__(self, use_bn=False, use_dp=False, num_classes=10):
super(SimpleMLP, self).__init__(name='mlp')
self.use_bn = use_bn
self.use_dp = use_dp
self.num_classes = num_classesself.dense1 = keras.layers.Dense(32, activation='relu')
self.dense2 = keras.layers.Dense(num_classes, activation='softmax')
if self.use_dp:
self.dp = keras.layers.Dropout(0.5)
if self.use_bn:
self.bn = keras.layers.BatchNormalization(axis=-1)def call(self, inputs):
x = self.dense1(inputs)
if self.use_dp:
x = self.dp(x)
if self.use_bn:
x = self.bn(x)
return self.dense2(x)model = SimpleMLP()
model.compile(...)
model.fit(...)

model.inputs 和 model.outputs
model.to_yaml() 和 model.to_json()
model.get_config() 和 model.save()