比序貫模型要復雜，但是效果很好，可以同時/分階段輸入變量，分階段輸出想要的模型。

所以說，只要你的模型不是類似VGG一樣

1，應用函數(shù)式模型的基本步驟

1，model.layers()添加層

2，model.compile()模型訓練的BP模式設(shè)置

3，model.fit()模型訓練參數(shù)設(shè)置+訓練

4，evaluate()模型評估

5，predict()模型預測

2，常用Model屬性

model.layers：組成模型圖的各個層

model.inputs：模型的輸入張量列表

model.outputs：模型的輸出張量列表

1model=Model(inputs=,outputs=)

3，指定輸入數(shù)據(jù)的shape

1inputs=Input(shape=(20,))

4，編譯，訓練，評估，預測等步驟與序貫式模型相同(這里不再贅述)

1compile(self,optimizer,loss,metrics=None,loss_weights=None,sample_weight_mode=None)

本函數(shù)按batch計算在某些輸入數(shù)據(jù)上模型的誤差，其參數(shù)有：

x：輸入數(shù)據(jù)，與fit一樣，是numpyarray或者numpyarray的list

y：標簽，numpyarray

batch_size：整數(shù)，含義同fit的同名函數(shù)

verbose：含義與fit的同名函數(shù)，但是只能取0或者1

sample_weight：numpyarray，含義同fit的同名函數(shù)

本函數(shù)編譯模型以供訓練，參數(shù)有：

1evaluate(self,x,y,batch_size=32,verbose=1,sample_weight=None)

序貫模型和函數(shù)模型共同的API

model.summary()：打印出模型的概況，它實際調(diào)用的是keras.utils.print_summary

model.get_config()：返回包含模型配置信息的Python字典，模型也可以從config中重構(gòu)回去。

config=model.get_config()

model=Model.from_config(config)

model=Sequential.from_config(config)

上面是分別對序貫模型和函數(shù)式模型載入config

model.get_layer()：依據(jù)層名或下標獲得層對象

model.get_weights()：返回模型權(quán)重張量的列表，類型為numpy.array

model.set_weights()：從numpyarray里載入給模型，要求數(shù)組與model.get_weights()一樣

model.to_json()：返回代表模型的JSON字符串，僅僅包含網(wǎng)絡(luò)結(jié)構(gòu)，不包含權(quán)重，可以從JSON字符串中重構(gòu)模型

以上內(nèi)容為大家介紹了python的Keras函數(shù)式模型，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓機構(gòu):千鋒教育。