Tensorflow学习之tf.keras(一) tf.keras.layers.Sequential

Sequential将线性的层堆叠成一个层tf.keras.Model。

别名

tf.keras.models.Sequential

tf.keras.Sequential(
    layers=None, name=None
)

Sequential 提供有关此模型的训练和推断功能。

例子：

# 可以选择，第一层可以接收' input_shape '参数
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8, input_shape=(16,)))
# 然后，我们进行自动形状推断:
model.add(tf.keras.layers.Dense(4))

# 这与以下内容相同:
model = tf.keras.Sequential()
model.add(tf.keras.Input(shape=(16,)))
model.add(tf.keras.layers.Dense(8))

# 注意，您也可以省略' input_shape '参数。
# 在这种情况下，模型在第一次调用训练/评估方法之前没有任何权重(因为它还没有建立):
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4))
# 模型权重尚未创建

# 然而，如果你指定了输入形状，当你添加图层时，模型就会不断地建立起来
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8, input_shape=(16,)))
model.add(tf.keras.layers.Dense(4))
len(model.weights)

4

# 当使用延迟构建模式(没有指定输入形状)时，你可以通过调用 build(batch_input_shape) 来手动构建模型:
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4))
model.build((None, 16))
len(model.weights)

4

# 请注意，当使用延迟构建模式(没有指定输入形状)时，模型会在您第一次调用' fit '、' eval '或' predict '时构建，或者在一些输入数据上第一次调用模型时构建
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(1))
model.compile(optimizer='sgd', loss='mse')
# 这是第一次建立模型:
model.fit(x, y, batch_size=32, epochs=10)

变量
layers	可选的添加到模型的层列表。
name	模型的可选名称。

 

属性
distribute_strategy	在tf.distribute.Strategy这种模式下创建的
layers
metrics_names	返回所有输出的模型显示标签

 

★注意:metrics_names只有在keras.Model经过训练/根据实际数据进行评估后才可用

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="Adam", loss="mse", metrics=["mae"])
model.metrics_names
[]

x = np.random.random((2, 3))
y = np.random.randint(0, 2, (2, 2))
model.fit(x, y)
model.metrics_names
['loss', 'mae']

inputs = tf.keras.layers.Input(shape=(3,))
d = tf.keras.layers.Dense(2, name='out')
output_1 = d(inputs)
output_2 = d(inputs)
model = tf.keras.models.Model(
   inputs=inputs, outputs=[output_1, output_2])
model.compile(optimizer="Adam", loss="mse", metrics=["mae", "acc"])
model.fit(x, (y, y))
model.metrics_names
['loss', 'out_loss', 'out_1_loss', 'out_mae', 'out_acc', 'out_1_mae','out_1_acc']

方法：

add	在层堆栈的顶部添加一个层实例
compile	配置用于训练的模型
evaluate	返回测试模式下模型的损失值和指标值
fit	为固定数量的epoch(数据集上的迭代)训练模型
get_layer	根据层的名称(唯一)或索引检索层
load_weights	从TensorFlow或HDF5的权重文件中加载所有的层权重
make_predict_function	创建一个执行推理步骤的函数/功能
make_test_function	创建一个执行计算步骤的函数/功能
make_train_function	创建一个执行训练步骤的函数/功能
pop	删除模型中的最后一层
predict	生成输入样本的输出预测
predict_on_batch	返回单批的预测
predict_step	推理步骤的逻辑
reset_metrics	重置模型中所有指标的状态
reset_states
save	将模型保存到Tensorflow SavedModel或单个HDF5文件
save_weights	保存所有层权重
summary	打印网络的字符串总结
test_on_batch	在一批上测试模型
test_step	单计算步骤的逻辑
to_json	返回包含网络配置的JSON字符串
to_yaml	返回包含网络配置的yaml字符串
train_on_batch	对单批数据运行一次梯度更新
train_step	单训练步骤的逻辑