模型配置序列化

[源代码]

get_config 方法

Model.get_config()

返回 Model 的配置。

配置是一个 Python 字典（可序列化），包含对象（在本例中为 Model）的配置。这允许 Model 稍后从此配置中重新实例化（无需其训练权重）。

请注意，get_config() 并不保证每次调用时都返回字典的新副本。如果调用者想要修改返回的字典，则应复制该字典。

建议子类化 Model 的开发者覆盖此方法，并继续从 super(MyModel, self).get_config() 更新字典，以提供此 Model 的正确配置。默认配置将返回初始化参数的配置字典（如果它们是基本类型）。在需要为子类化模型实现自定义 get_config() 的情况下，将引发 NotImplementedError。

返回值

包含此 Model 配置的 Python 字典。

[源代码]

from_config 方法

Model.from_config(config, custom_objects=None)

根据其配置创建层。

此方法是 get_config 的反向操作，能够从配置字典中实例化相同的层。它不处理层连接（由网络处理），也不处理权重（由 set_weights 处理）。

参数

• config: Python 字典，通常是 get_config 的输出。

返回值

层实例。

[源代码]

clone_model 函数

tf_keras.models.clone_model(model, input_tensors=None, clone_function=None)

克隆 Functional 或 Sequential Model 实例。

模型克隆类似于在新的输入上调用模型，除了它创建新的层（以及新的权重）而不是共享现有层的权重。

请注意，clone_model 不会保留模型中共享对象的唯一性（例如，附加到两个不同层的单个变量将被恢复为两个单独的变量）。

参数

• model: Model 实例（可以是 Functional 模型或 Sequential 模型）。
• input_tensors: 可选的输入张量或 InputLayer 对象列表，用于构建模型。如果未提供，则将创建新的 Input 对象。
• clone_function: 用于克隆目标模型中每个层（除了 InputLayer 实例）的可调用对象。它将要克隆的层实例作为参数，并返回模型副本中要使用的相应层实例。如果未指定，此可调用对象将成为以下序列化/反序列化函数：lambda layer: layer.__class__.from_config(layer.get_config())。通过传递自定义可调用对象，您可以自定义模型的副本，例如，通过包装某些感兴趣的层（例如，您可能希望将所有 LSTM 实例替换为等效的 Bidirectional(LSTM(...)) 实例）。默认为 None。

返回值

一个 Model 实例，它在新的输入张量之上复制原始模型的行为，并使用新实例化的权重。如果自定义的 clone_function 修改了层，则克隆的模型可能与原始模型的行为不同。

示例

# Create a test Sequential model.
model = keras.Sequential([
    keras.Input(shape=(728,)),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dense(1, activation='sigmoid'),
])
# Create a copy of the test model (with freshly initialized weights).
new_model = clone_model(model)

请注意，子类化模型无法克隆，因为其内部层结构未知。为了在子类化模型的情况下实现与 clone_model 等效的功能，只需确保模型类实现了 get_config()（以及可选的 from_config()），然后调用

new_model = model.__class__.from_config(model.get_config())