目录

1、函数API介绍

2、创建模型

3、训练和评估模型

4、保存模型

5、模型的嵌套

1、函数API介绍

Keras的函数API是一种创建模型的方法，该模型比tf.keras.Sequential API更灵活。可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。

2、创建模型

说明：

1. 本文用tensorflow 2.1.1,python3.7进行实验
2. 如无说明，所有的代码都默认引入以下包

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

实际上深度学习模型的每个图层通常都是有向无环图（DAG），考虑下面的模型：

1. shape=(784,)的输入
2. 三个隐藏图层
3. 输出超过10个分类的概率

(input: 784-dimensional vectors)

       ↧

[Dense (64 units, relu activation)]

       ↧

[Dense (64 units, relu activation)]

       ↧

[Dense (10 units, softmax activation)]

       ↧

(output: logits of a probability distribution over 10 classes)

使用keras函数API创建模型的顺序如下：

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
#创建shape(784,)的输入
inputs = keras.Input(shape=(784,))

#打印形状信息和数据类型信息
print(inputs.shape)
print(inputs.dtype)
#创建第一个图层
dense = layers.Dense(64, activation="relu")
#把输入形状传递个第一个图层
x = dense(inputs)

#创建第二个图层

x = layers.Dense(64, activation="relu")(x)
#创建第三个图
outputs = layers.Dense(10)(x)
#创建模型
model = keras.Model(inputs=inputs, outputs=outputs, name="mymodel")
#查看模型概要
model.summary()
#把模型绘图输出
keras.utils.plot_model(model, "mymodel.png")
#把模型的每个图层细节绘图输出
keras.utils.plot_model(model, "mymodel_with_shape_info.png", show_shapes=True)

输出的模型概要：

输出的模型图形化流程：

输出的图层细节图：

3、训练和评估模型

使用函数API构建的模型，和用序列创建的模型，训练，评估和推断的工作方式完全相同。本节采用MNIST图像数据，将其整形为矢量，将模型拟合到数据上（同时在验证拆分上监视性能），然后在测试数据上评估模型。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
#对训练数据和测试数据进行重新向量化
x_train = x_train.reshape(60000, 784).astype("float32") / 255
x_test = x_test.reshape(10000, 784).astype("float32") / 255
#编译模型
model.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.RMSprop(),
    metrics=["accuracy"],
)
#训练模型
history = model.fit(x_train, y_train, batch_size=64, epochs=2, validation_split=0.2)
#评估模型
test_scores = model.evaluate(x_test, y_test, verbose=2)
print("Test loss:", test_scores[0])
print("Test accuracy:", test_scores[1])

4、保存模型

训练完成模型后，可以保存模型为文件；方面模型复用。可以调用model.save()方法保存模型。保存后的模型文件由以下组成：

1. 模型架构
2. 模型权重值（在训练过程中获悉）
3. 模型训练配置
4. 优化程序及其状态（如果有的话）（从上次中断的地方重新开始训练）

#保存模型
model.save(r"D:2_applicationpycharmworkspacemodelsmy_model")
#删除模型
#del model
#加载模型
#model = keras.models.load_model(r"D:2_applicationpycharmworkspacemodelsmy_model")

保存的模型文件：

5、模型的嵌套

 模型训练完成后，可以作为另一个模型的一个图层，实现创建更复杂的模型，被嵌套的模型，可以像图层一样使用。

最后

以上就是自信楼房为你收集整理的[tensorflow]tensorflow 2.1 函数API（The Functional API）1、函数API介绍2、创建模型3、训练和评估模型4、保存模型5、模型的嵌套的全部内容，希望文章能够帮你解决[tensorflow]tensorflow 2.1 函数API（The Functional API）1、函数API介绍2、创建模型3、训练和评估模型4、保存模型5、模型的嵌套所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。