Keras - Models

Keras - 模型（Sequential 和 Functional API）

在 tf.keras 中，Model 是将层分组为可训练架构的中心对象。它定义了前向传播（输入数据如何通过层流向输出）并提供了训练（fit）、评估（evaluate）和预测（predict）的方法。tf.keras 提供了两种主要方式来创建模型：Sequential API 和 Functional API，此外还有用于高级定制的 Model Subclassing（模型子类化）。

1. Sequential API (tf.keras.Sequential)

Sequential 模型是 Keras 中构建模型的最简单方式。它适用于简单的层堆叠，其中每一层都只有一个输入张量和一个输出张量。可以将其视为数据的线性管道。

创建 Sequential 模型：

import tensorflow as tf

# 方法 1：将层列表传递给构造函数
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)), # 第一层需要 input_shape 参数
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
], name="my_sequential_model")

# 方法 2：使用 model.add() 逐步添加层
model_alt = tf.keras.Sequential(name="my_alt_sequential_model")
model_alt.add(tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)))
model_alt.add(tf.keras.layers.Dense(64, activation='relu'))
model_alt.add(tf.keras.layers.Dense(10, activation='softmax'))

主要特点：

• 简单易用，对于简单架构简洁。
• 只有第一层需要 input_shape 参数；后续层会推断其输入形状。
• 不适用于具有多个输入/输出、共享层或非线性拓扑的模型。

2. Functional API

Functional API 提供了一种更灵活的方式来定义模型。它允许你构建复杂的层图，包括具有多个输入和输出、共享层和分支连接的模型。你可以将层视为操作并返回张量的函数。

使用 Functional API 创建模型：

import tensorflow as tf

# 1. 定义输入张量
# 指定模型期望的输入数据的形状和数据类型。
inputs = tf.keras.Input(shape=(784,), name="digits")

# 2. 定义层并连接它们（像函数调用一样）
# 每次层调用都接受一个张量并返回一个张量。
x = tf.keras.layers.Dense(64, activation='relu', name="dense_1")(inputs)
x = tf.keras.layers.Dense(64, activation='relu', name="dense_2")(x)

# 3. 定义输出张量
outputs = tf.keras.layers.Dense(10, activation='softmax', name="predictions")(x)

# 4. 创建模型
# 指定输入和输出张量来定义模型的边界。
functional_model = tf.keras.Model(inputs=inputs, outputs=outputs, name="mnist_functional_model")

主要特点：

• 高度灵活，适用于任意模型架构。
• 支持层共享和非线性连接。
• 模型是明确定义的图，具有清晰的输入和输出。
• 对于简单堆叠，比 Sequential API 稍微更详细/冗长。

Functional API 对于多输入模型（例如，组合图像和文本数据）或具有多个输出头（例如，同时预测类别和边界框）的模型等任务非常强大。

模型检查

模型定义后（使用任一 API），你可以检查其属性：

• model.summary()： 打印模型的文本摘要，包括层、输出形状和参数数量。

# 使用上面定义的 functional_model 为例
functional_model.summary()

示例 summary() 输出：

Model: "mnist_functional_model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 digits (InputLayer)         [(None, 784)]             0

 dense_1 (Dense)             (None, 64)                50240

 dense_2 (Dense)             (None, 64)                4160

 predictions (Dense)         (None, 10)                650

=================================================================
Total params: 55050 (215.04 KB)
Trainable params: 55050 (215.04 KB)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________

• model.layers： 访问模型的扁平层列表。
• model.inputs / model.outputs： 访问模型的输入/输出张量（与 Functional API 一起使用时很有用）。

保存和加载模型

保存训练好的模型可以让你以后重复使用，无需重新训练或进行部署。tf.keras 提供了强大的保存机制。

推荐格式：TensorFlow SavedModel / Keras v3 (.keras)

首选的方法是将整个模型（架构、权重、优化器状态、编译信息）保存在 TensorFlow 的 SavedModel 格式或新的 Keras v3 格式（.keras 扩展名）中。这是最全面的选项。

# 保存整个模型（推荐）
model.save("my_complete_model.keras") # Keras v3 格式
# 或者
# model.save("my_saved_model_directory") # TensorFlow SavedModel 格式

# 重新加载模型
loaded_model = tf.keras.models.load_model("my_complete_model.keras")
# loaded_model.summary()

仅保存权重

如果你只需要学习到的参数，并计划在代码中重新创建架构：

# 仅保存权重
model.save_weights("my_model_weights.weights.h5") # 使用 HDF5 格式

# 要加载权重，你需要先创建相同的模型架构
# new_model = create_model_architecture() # 你构建模型的函数
# new_model.load_weights("my_model_weights.weights.h5")

遗留的 HDF5 格式 (.h5)

Keras 之前使用 HDF5 格式（.h5 扩展名）来保存模型。虽然为了向后兼容仍然支持，但现在推荐使用 .keras 格式来保存整个模型状态。

# 以遗留 HDF5 格式保存
# model.save("my_legacy_model.h5")

# 从 HDF5 加载
# loaded_legacy_model = tf.keras.models.load_model("my_legacy_model.h5")

选择 Sequential API 还是 Functional API 取决于你期望的神经网络架构的复杂性。两者都允许你在 tf.keras 框架内构建强大的深度学习模型。