两种创建model的方式
1:链式函数创建
要创建输入层inputs

import tensorflow as tfinputs = 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:使用对象创建

import tensorflow as tfclass 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()

属性

属性	描述
layers	层
metrics_names	所有输出的标签
run_eagerly	是否使用eagerly模式,默认`False`,静态图
sample_weights
state_updates

方法

compile

compile(optimizer,loss=None,metrics=None,loss_weights=None,sample_weight_mode=None,weighted_metrics=None,target_tensors=None,distribute=None,**kwargs
)

参数	描述
optimizer	(string,Object)优化器
loss	(String,Object,Function),如果模型有多个输出,可以为不同的输出指定不同的损失函数
metrics	(List(String))衡量指标,比如[‘accuracy’,‘mse’]
loss_weights
sample_weight_mode
weighted_metrics
target_tensors
distribute
**kwargs

evaluate

evaluate(x=None,y=None,batch_size=None,verbose=1,sample_weight=None,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False
)

参数	描述
x	(numpy array;tensor;[tensor];dict;tf.data;keras.utils.Sequence)
y
batch_size	(int)每一次梯度下降使用的样本数量.默认为32,如果输入数据已经指定了batch_size,则不要再次指定
verbose
sample_weight
steps	(int)执行多少个batch之后打印日志信息,默认,一个epoch,打印一次
callbacks
max_queue_size
workers
use_multiprocessing

evaluate_generator

evaluate_generator(generator,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False,verbose=0
)

fit

fit_generator

get_layer

get_layer(name=None,index=None
)

load_weights

load_weights(filepath,by_name=False
)

predict

predict(x,batch_size=None,verbose=0,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False
)

predict_generator

predict_generator(generator,steps=None,callbacks=None,max_queue_size=10,workers=1,use_multiprocessing=False,verbose=0
)

predict_on_batch

predict_on_batch(x)

reset_metrics

reset_states

save

保存模型为HDF5文件

save_weights

summary

summary(line_length=None,positions=None,print_fn=None
)

test_on_batch

to_json

to_yaml

train_on_batch

参考：
https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf/keras/Model

TensorFlow model相关推荐

学习笔记TF053:循环神经网络，TensorFlow Model Zoo，强化学习，深度森林，深度学习艺术...
循环神经网络.https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/re ...
tensorflow object_detection api ERROR:tensorflow:Model diverged with loss = NaN.
进行迁移学习时,使用model_main.py进行训练,无脑报错#"ERROR:tensorflow:Model diverged with loss = NaN.".后来上git ...
tensorflow model save and restore
TensorFlow 模型保存/载入我们在上线使用一个算法模型的时候,首先必须将已经训练好的模型保存下来.tensorflow保存模型的方式与sklearn不太一样,sklearn很直接,一个skl ...
Tensorflow Summary: 查看Tensorflow Model pb格式模型的信息
参考文链:如何查看Tensorflow SavedModel格式模型的信息; 参考:summary方法--小酒窝的博客; 参考:tensorflow中输出参数的方法--详细; tensorflow生成 ...
tensorflow model几种模型文件
转载:https://blog.eson.org/pub/3da24a26/ 模型文件相关 checkpoint (.ckpt): variable的序列化存储,常用于保存和还原模型参数.保存方式是变 ...
Retrain a tensorflow model based on Inception v3
本文在谷歌2015_CVPR Inception v3模型的基础上,结合花朵识别的具体问题重新训练该模型,以获取自己需要的tensorflow模型. 重新训练Inception v3实质是在原有模型输 ...
tensorflow model.compile() 示例
model.compile()方法用于在配置训练方法时,告知训练时用的优化器.损失函数和准确率评测标准 model.compile(optimizer=tf.keras.optimizers.Adam ...
2020-12-08 tensorflow model.fit_generator()函数参数
model.fit_generator()函数参数 fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callb ...
Pascal VOC 数据集介绍（tensorflow model zoo）
Pascal VOC 数据集的下载 # 下载2007年的训练数据 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06- ...

TensorFlow model

属性

方法

evaluate

evaluate_generator

fit

fit_generator

get_layer

load_weights

predict

predict_generator

predict_on_batch

reset_metrics

reset_states

save

save_weights

summary

test_on_batch

to_json

to_yaml

train_on_batch

TensorFlow model相关推荐

最新文章

热门文章