文章目錄

• 一、Keras 模型
• • 1、共同的方法和屬性
  • 2、Model 類繼承
• 二、Sequential 模型 API
• • 1、compile()：配置訓練模型
  • 2、fit()：訓練模型
  • 3、evaluate()：模型評估
  • 4、predict()：預測
  • 5、train_on_batch()
  • 6、test_on_batch()
  • 7、predict_on_batch()
  • 8、fit_generator()
  • 9、evaluate_generator
  • 10、predict_generator
  • 11、get_layer()
• 三、Model 類（函數式 API）
• • 1、概述
  • 2、Model 類模型方法
  • • （1）配置訓練模型
    • （2）模型訓練、評估、預測
    • （3）batch上的模型訓練、評估、預測
    • （4）生成器上的訓練、評估、預測
    • （5）獲取某網絡層

一、Keras 模型

兩類主要的模型：Sequential 順序模型 和 使用函數式 API 的 Model 類模型。

1、共同的方法和屬性

• model.layers：包含模型網絡層的展平列表。
• model.inputs：模型輸入張量的列表。
• model.outputs：模型輸出張量的列表。
• model.summary()：打印出模型概述信息。 它是 utils.print_summary 的簡捷調用。
• model.get_config()：返回包含模型配置信息的字典。通過以下代碼，就可以根據這些配置信息重新實例化模型：config = model.get_config() model = Model.from_config(config) # 或者，對于 Sequential: model = Sequential.from_config(config)
• model.get_weights()：返回模型中所有權重張量的列表，類型為 Numpy 數組。
• model.set_weights(weights)：從 Numpy 數組中為模型設置權重。列表中的數組必須與 get_weights() 返回的權重具有相同的尺寸。
• model.to_json()：以 JSON 字符串的形式返回模型的表示（不包括權重，僅包含結構）。可通過以下方式從 JSON 字符串重新實例化同一模型（使用重新初始化的權重）：from keras.models import model_from_jsonjson_string = model.to_json() model = model_from_json(json_string)
• model.to_yaml()：以 YAML 字符串的形式返回模型的表示（不包括權重，僅包含結構）**。可通過以下代碼，從 YAML 字符串中重新實例化相同的模型（使用重新初始化的權重）：from keras.models import model_from_yamlyaml_string = model.to_yaml() model = model_from_yaml(yaml_string)
• model.save_weights(filepath)：將模型權重存儲為 HDF5 文件。
• model.load_weights(filepath, by_name=False)：從 HDF5 文件（由 save_weights 創建）中加載權重。默認情況下，模型的結構應該是不變的。 如果想將權重載入不同的模型（部分層相同）， 設置 by_name=True 來載入那些名字相同的層的權重。

2、Model 類繼承

自定義模型：繼承 Model 類并在 call 方法中實現你自己的前向傳播，以創建自定義的模型。

示例：用 Model 類繼承寫的簡單的多層感知器的例子。

• 網絡層定義在 __init__(self, ...) 中指定；
• 前向傳播在 call(self, inputs) 中指定：可以指定自定義的損失函數，通過調用 self.add_loss(loss_tensor) 實現。

import keras from keras.layers import Dense, Dropout, BatchNormalizationclass SimpleMLP(keras.Model):def __init__(self, use_bn=False, use_dp=False, num_classes=10):super(SimpleMLP, self).__init__(name='mlp')self.use_bn = use_bnself.use_dp = use_dpself.num_classes = num_classesself.dense1 = Dense(32, activation='relu')self.dense2 = Dense(num_classes, activation='softmax')if self.use_dp:self.dp = Dropout(0.5)if self.use_bn:self.bn = BatchNormalization(axis=-1)def call(self, inputs):x = self.dense1(inputs)if self.use_dp:x = self.dp(x)if self.use_bn:x = self.bn(x)return self.dense2(x)model = SimpleMLP() model.compile(...) model.fit(...)

在類繼承模型中，模型的拓撲結構是由 Python 代碼定義的（而不是網絡層的靜態圖）。這意味著該模型的拓撲結構不能被檢查或序列化。因此，以下方法和屬性不適用于類繼承模型：

• model.inputs 和 model.outputs。
• model.to_yaml() 和 model.to_json()。
• model.get_config() 和 model.save()。

關鍵點：為每個任務使用正確的 API。Model 類繼承 API 可以為實現復雜模型提供更大的靈活性，但它需要付出代價（比如缺失的特性）：它更冗長，更復雜，并且有更多的用戶錯誤機會。如果可能的話，盡可能使用函數式 API，這對用戶更友好。

二、Sequential 模型 API

1、compile()：配置訓練模型

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

參數：

• optimizer: 字符串 （優化器名）或者優化器對象。詳見 optimizers。
• loss: 字符串 （目標函數名）或目標函數。詳見 losses。
  • 多輸出模型：通過傳遞損失函數的字典或列表，在每個輸出上使用不同的損失。模型將最小化的損失值將是所有單個損失的總和。
• metrics: 在訓練和測試期間的模型評估標準。通常你會使用 metrics = ['accuracy']。
  • 對于多輸出模型的不同輸出指定不同的評估標準：傳遞一個字典，eg：metrics = {'output_a'：'accuracy'}。
• loss_weights: 指定標量系數（Python浮點數）的可選列表或字典，用于加權不同模型輸出的損失貢獻。
  • 模型將要最小化的損失值將是所有單個損失的加權和，由 loss_weights 系數加權。
  • 如果是列表，則期望與模型的輸出具有 1:1 映射。 如果是張量，則期望將輸出名稱（字符串）映射到標量系數。
• sample_weight_mode：
  • 若執行按時間步采樣權重（2D 權重），則設置為 temporal。
  • 默認為 None，為采樣權重（1D）。
  • 如果模型有多個輸出，則可以通過傳遞 mode 的字典或列表，以在每個輸出上使用不同的 sample_weight_mode。
• weighted_metrics：在訓練和測試期間，由 sample_weight 或 class_weight 評估和加權的度量標準列表。
• target_tensors：默認情況下，Keras 將為模型的目標創建一個占位符，在訓練過程中將使用目標數據。相反，如果你想使用自己的目標張量（反過來說，Keras 在訓練期間不會載入這些目標張量的外部 Numpy 數據），您可以通過 target_tensors 參數指定它們。它應該是單個張量（對于單輸出 Sequential 模型）。
• **kwargs:
  • 當使用 Theano/CNTK 后端時，這些參數被傳入 K.function。
  • 當使用 TensorFlow 后端時，這些參數被傳遞到 tf.Session.run。

異常

• ValueError：如果 optimizer, loss, metrics 或 sample_weight_mode 這些參數不合法。

2、fit()：訓練模型

以固定數量的輪次（數據集上的迭代）訓練模型：

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

參數

• x: 訓練數據的 Numpy 數組。
  • 如果模型中的輸入層被命名，則可傳遞一個字典，將輸入層名稱映射到 Numpy 數組。
  • 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是 None（默認）。
• y: 標簽數據的 Numpy 數組。
  • 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。
  • 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是 None（默認）。
• batch_size: 整數或 None。每次提度更新的樣本數。如果未指定，默認為 32.
• epochs: 整數。訓練模型迭代輪次。一個輪次是在整個 x 或 y 上的一輪迭代。請注意，與 initial_epoch 一起，epochs 被理解為 「最終輪次」。模型并不是訓練了 epochs 輪，而是到第 epochs 輪停止訓練。
• verbose: 0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。
• callbacks: 一系列的 keras.callbacks.Callback 實例。一系列可以在訓練時使用的回調函數。詳見 callbacks。
• validation_split: 用作驗證集的訓練數據的比例，范圍：[0,1]。
• validation_data: 元組 (x_val, y_val) 或元組 (x_val, y_val, val_sample_weights)，用來評估損失，以及在每輪結束時的任何模型度量指標。模型將不會在這個數據上進行訓練。這個參數會覆蓋 validation_split。
• shuffle: 布爾值（是否在每輪迭代之前混洗數據）或者 字符串 (batch)。
  • batch 是處理 HDF5 數據限制的特殊選項，它對一個 batch 內部的數據進行混洗。
  • 當 steps_per_epoch 非 None 時，這個參數無效。
• class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用于加權損失函數（僅在訓練期間）。這可能有助于告訴模型 「更多關注」來自代表性不足的類的樣本。
• sample_weight: 訓練樣本的可選 Numpy 權重數組，用于對損失函數進行加權（僅在訓練期間）。您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。
• initial_epoch: 開始訓練的輪次（有助于恢復之前的訓練）。
• steps_per_epoch: 在聲明一個輪次完成并開始下一個輪次之前的總步數（樣品批次）。
  • 使用 TensorFlow 數據張量等輸入張量進行訓練時，默認值 None 等于數據集中樣本的數量除以 batch 的大小，如果無法確定，則為 1。
• validation_steps: 只有在指定了 steps_per_epoch 時才有用。停止前要驗證的總步數（批次樣本）。

返回：一個 History 對象。

• 其 History.history 屬性是連續 epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。

異常

• RuntimeError: 如果模型從未編譯。
• ValueError: 在提供的輸入數據與模型期望的不匹配的情況下。

3、evaluate()：模型評估

在測試模式，返回誤差值和評估標準值。 計算逐批次進行。

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

參數：

• x: 訓練數據的 Numpy 數組。 如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 可以是 None（默認）。
• y: 目標（標簽）數據的 Numpy 數組。 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數組。 如果從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 可以是 None（默認）。
• batch_size: 整數或 None。每次提度更新的樣本數。如果未指定，默認為 32.
• verbose: 0, 1。日志顯示模式。0 = 安靜模式, 1 = 進度條。
• sample_weight: 訓練樣本的可選 Numpy 權重數組，用于對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode="temporal"。
• steps: 整數或 None。 聲明評估結束之前的總步數（批次樣本）。默認值 None。

返回

• 標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。

4、predict()：預測

為輸入樣本生成輸出預測。

predict(x, batch_size=None, verbose=0, steps=None)

參數

• x: 輸入數據，Numpy 數組（或者如果模型有多個輸入，則為 Numpy 數組列表）。
• batch_size: 整數。如未指定，默認為 32。
• verbose: 日志顯示模式，0 或 1。
• steps: 聲明預測結束之前的總步數（批次樣本）。默認值 None。

返回：預測的 Numpy 數組。

異常

• ValueError: 如果提供的輸入數據與模型的期望數據不匹配，或者有狀態模型收到的數量不是批量大小的倍數。

5、train_on_batch()

batch 的單次梯度更新。

train_on_batch(x, y, sample_weight=None, class_weight=None)

參數：

• x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
• y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
• sample_weight: 訓練樣本的可選 Numpy 權重數組，用于對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。
• class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用于加權損失函數（僅在訓練期間）。這可能有助于告訴模型 「更多關注」來自代表性不足的類的樣本。

返回：

• 標量訓練誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。

6、test_on_batch()

在batch上評估模型。

test_on_batch(x, y, sample_weight=None)

參數：

• x: 訓練數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸入都已命名，你還可以傳入輸入名稱到 Numpy 數組的映射字典。
• y: 目標數據的 Numpy 數組，如果模型具有多個輸入，則為 Numpy 數組列表。如果模型中的所有輸出都已命名，你還可以傳入輸出名稱到 Numpy 數組的映射字典。
• sample_weight: 訓練樣本的可選 Numpy 權重數組，用于對損失函數進行加權（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的情況下，可以傳遞尺寸為 (samples, sequence_length) 的 2D 數組，以對每個樣本的每個時間步施加不同的權重。在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。

返回：

• 標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。

7、predict_on_batch()

返回batch上的模型預測值。

predict_on_batch(x)

參數：

• x: 輸入數據，Numpy 數組或列表（如果模型有多輸入）。

8、fit_generator()

使用 Python 生成器或 Sequence 實例逐批生成的數據，按批次訓練模型。 生成器與模型并行運行，以提高效率。

• keras.utils.Sequence 的使用可以保證數據的順序， 以及當 use_multiprocessing=True 時 ，保證每個輸入在每個 epoch 只使用一次。
• 例如，這可以讓你在 CPU 上對圖像進行實時數據增強，以在 GPU 上訓練模型。

fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)

參數：

• generator: 一個生成器或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。 生成器的輸出應該為以下之一：
  • 一個 (inputs, targets) 元組;
  • 一個 (inputs, targets, sample_weights) 元組。 這個元組（生成器的單個輸出）表示一個獨立批次。因此，此元組中的所有數組必須具有相同的長度（等于此批次的大小）。不同的批次可能具有不同的大小。例如，如果數據集的大小不能被批量大小整除，則最后一批時期通常小于其他批次。生成器將無限地在數據集上循環。當運行到第 steps_per_epoch 時，記一個 epoch 結束。
• steps_per_epoch: 整數。在聲明一個 epoch 完成并開始下一個 epoch 之前從 generator 產生的總步數（批次樣本）。它通常應該等于你的數據集的樣本數量除以批量大小。可選參數 Sequence：如果未指定，將使用 len(generator) 作為步數。
• epochs: 整數，數據的迭代總輪數。一個 epoch 是對所提供的整個數據的一輪迭代，由 steps_per_epoch 所定義。請注意，與 initial_epoch 一起，參數 epochs 應被理解為 「最終輪數」。模型并不是訓練了 epochs 輪，而是到第 epochs 輪停止訓練。
• verbose: 日志顯示模式。0，1 或 2。0 = 安靜模式，1 = 進度條，2 = 每輪一行。
• callbacks: keras.callbacks.Callback 實例列表。在訓練時調用的一系列回調。詳見 callbacks。
  validation_data: 它可以是以下之一：
  驗證數據的生成器或 Sequence 實例
  一個 (inputs, targets) 元組
  一個 (inputs, targets, sample_weights) 元組。
• validation_steps: 僅當 validation_data 是一個生成器時才可用。 每個 epoch 結束時驗證集生成器產生的步數。它通常應該等于你的數據集的樣本數量除以批量大小。可選參數 Sequence：如果未指定，將使用 len(generator) 作為步數。
• class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用于加權損失函數（僅在訓練期間）。這可能有助于告訴模型 「更多關注」來自代表性不足的類的樣本。
  max_queue_size: 整數。生成器隊列的最大尺寸。如果未指定，max_queue_size 將默認為 10。
• workers: 整數。使用基于進程的多線程時啟動的最大進程數。如果未指定，worker 將默認為 1。如果為 0，將在主線程上執行生成器。
• use_multiprocessing: 如果 True，則使用基于進程的多線程。如果未指定，use_multiprocessing 將默認為 False。請注意，因為此實現依賴于多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。
• shuffle: 布爾值。是否在每輪迭代之前打亂 batch 的順序。只能與 Sequence (keras.utils.Sequence) 實例同用。在 steps_per_epoch 不為 None 是無效果。
• initial_epoch: 整數。開始訓練的輪次（有助于恢復之前的訓練）。

示例：

def generate_arrays_from_file(path):while True:with open(path) as f:for line in f:# 從文件中的每一行生成輸入數據和標簽的 numpy 數組x1, x2, y = process_line(line)yield ({'input1':x1, 'input2':x2}, {'output':y})model.fit_generator(generate_arrays_from_file('/my_file.txt'),steps_per_epoch=10000, epochs=10)

9、evaluate_generator

在數據生成器上評估模型。這個生成器應該返回與 test_on_batch 所接收的同樣的數據。

evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

參數：

• generator: 返回批量輸入樣本的生成器，或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。
• steps: 在停止之前，來自 generator 的總步數 (樣本批次)。 可選參數 Sequence：如果未指定，將使用 len(generator) 作為步數。
• max_queue_size: 生成器隊列的最大尺寸。
• workers: 整數。使用基于進程的多線程時啟動的最大進程數。如果未指定，worker 將默認為 1。如果為 0，將在主線程上執行生成器。
• use_multiprocessing: 如果 True，則使用基于進程的多線程。 請注意，因為此實現依賴于多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。
• verbose: 日志顯示模式， 0 或 1。

返回：

• 標量測試誤差（如果模型只有單個輸出且沒有評估指標）或標量列表（如果模型具有多個輸出和/或指標）。 屬性 model.metrics_names 將提供標量輸出的顯示標簽。

10、predict_generator

為來自數據生成器的輸入樣本生成預測，預測值的 Numpy 數組。這個生成器應該返回與 predict_on_batch 所接收的同樣的數據。

predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

參數：

• generator: 返回批量輸入樣本的生成器，或 Sequence (keras.utils.Sequence) 對象的實例，以避免在使用多進程時出現重復數據。
• steps: 在停止之前，來自 generator 的總步數 (樣本批次)。 可選參數 Sequence：如果未指定，將使用 len(generator) 作為步數。
• max_queue_size: 生成器隊列的最大尺寸。
• workers: 整數。使用基于進程的多線程時啟動的最大進程數。如果未指定，worker 將默認為 1。如果為 0，將在主線程上執行生成器。
• use_multiprocessing: 如果 True，則使用基于進程的多線程。 請注意，因為此實現依賴于多進程，所以不應將不可傳遞的參數傳遞給生成器，因為它們不能被輕易地傳遞給子進程。
• verbose: 日志顯示模式， 0 或 1。

11、get_layer()

根據名稱（唯一）或索引值查找網絡層。 索引是基于水平圖遍歷的順序（自下而上）。

get_layer(name=None, index=None)

參數

• name: 字符串，層的名字。
• index: 整數，層的索引。
• 注意：如果同時提供了 name 和 index，則 index 將優先。

返回：一個層實例。

三、Model 類（函數式 API）

1、概述

官方文檔：函數式 API

在函數式 API 中，給定一些輸入張量和輸出張量，可以通過以下方式實例化一個 Model：

• 示例1：這個模型將包含從 a 到 b 的計算的所有網絡層。

from keras.models import Model from keras.layers import Input, Densea = Input(shape=(32,)) b = Dense(32)(a) model = Model(inputs=a, outputs=b)

• 示例2：在多輸入或多輸出模型的情況下，可以使用列表。

model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])

2、Model 類模型方法

具體參數見上一節中的各函數的參數 或 官方文檔

（1）配置訓練模型

compile：配置訓練模型

• 定義：compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

（2）模型訓練、評估、預測

• fit：以給定數量的輪次（數據集上的迭代）訓練模型。

  • 定義：fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

• evaluate：在測試模式下返回模型的誤差值和評估標準值。

  • 定義：evaluate(x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)

• predict：為輸入樣本生成輸出預測。

  • 定義：predict(x, batch_size=None, verbose=0, steps=None)

（3）batch上的模型訓練、評估、預測

• train_on_batch：batch上的單次梯度更新。
  • 定義：train_on_batch(x, y, sample_weight=None, class_weight=None)
• test_on_batch：batch上測試模型。
  • 定義：test_on_batch(x, y, sample_weight=None)
• predict_on_batch：返回batch上的模型預測值
  • 定義：predict_on_batch(x)

（4）生成器上的訓練、評估、預測

• fit_generator
  • 目的：使用 Python 生成器（或 Sequence 實例）逐批生成的數據，按批次訓練模型。
  • 定義：fit_generator(generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
• evaluate_generator：在數據生成器上評估模型。
  • 定義：evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)
• predict_generator：為來自數據生成器的輸入樣本生成預測。
  • 定義：predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)

（5）獲取某網絡層

get_layer：根據名稱（唯一）或索引值查找網絡層，返回一個層實例。

• 定義：get_layer(self, name=None, index=None)
• 參數：
  • name: 字符串，層的名字。
  • index: 整數，層的索引。索引值來自于水平圖遍歷的順序（自下而上）。
• 注意：如果同時提供了 name 和 index，則 index 將優先。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【Keras】学习笔记（二）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。