tf.keras.Sequential详解

tf.keras.Sequential可以将一些按顺序堆叠的层组织成一个tf.keras.Model类型
有时会见到一些代码用tf.keras.models.Sequential, 这个与tf.keras.Sequential没有区别

model_1 = tf.keras.Sequential()
model_2 = tf.keras.models.Sequential()
print(type(model_1))
print(type(model_2))

两者创建的类型都是

tf.keras.Sequential()接收2个可选参数，分别是

• 一个列表，列表里面每个原始是模型里面的一个层
• 名称，用于给模型命名

使用时可以选择几种方式

• 方式1：直接传入顺序排列的层组成的列表到tf.keras.Sequential(list_of_layers,name=‘my_model’)
• 方式2：先不传入任何参数，使用model=tf.keras.Sequential()创建model，然后通过model.add(layer)的方式添加层
• 方式1和2混搭

方式1举例

model = tf.keras.Sequential(
    [
        tf.keras.layers.Input(shape=(20,)),
        tf.keras.layers.Dense(10,activation='relu'),
        tf.keras.layers.Dense(2)
    ]
)

这种方式在使用的时候，要注意有没有些列表的那两个括号[]

方式2举例

model = tf.keras.Sequential()
model.add(tf.keras.layers.Input(shape=(20,)))
model.add(tf.keras.layers.Dense(10,activation='relu'))
model.add(tf.keras.layers.Dense(2))

每次add，感觉不是很方便，还是方式1比较好用。

其他

tf.keras.Sequential()创建的模型包含以下属性

• distribute_strategy，模型是在哪种分布式策略下创建的（不太常用）
• metrics_names，模型用于展示的指标名称，比如loss,acc这些
• run_eagerly, 这个属性可以被设置。设置为True，表示模型一步一步地运行，类似python代码。默认是False, 以静态图的方式编译模型，计算效率更高。

tf.keras.Sequential()创建的模型包含以下方法

• add，接收一个层的实例。例如上面例子中的model.add(tf.keras.layers.Dense(2))
• compile，配置一下模型训练参数。
• compute_loss，计算总的损失值，该函数可被重载，编写成自定义的损失计算方式。
• compute_metrics，计算评价指标，也可被重载。
• evaluate，测试模型并输出损失值和评价指标结果。
• fit，训练模型
• get_layer, 使用名称或索引获取一个层
• get_weight_paths, 获取模型所有变量及其在模型中的路径
• load_weights, 加载所有层的权重
• make_predict_function, 创建一个用于推理的函数
• make_test_function, 创建一个评测函数
• make_train_function, 创建一个训练函数
• pop, 去除模型的最后一层
• predict, 生成输入样本的预测结果
• predict_on_batch, 返回一个batch的预测结果
• reset_metrics, 重置所有评价指标的状态
• save, 存储模型
• save_weights, 保存所有层的权重参数
• summary, 打印网络的概括信息
• test_on_batch, 测试一个batch的样本
• to_json, 返回包含模型配置信息的json字符串
• to_yaml, 返回包含模型配置信息的yaml字符串
• train_on_batch, 运行一个batch的数据，并进行一次梯度值的更新