机器学习之Keras（1）

很久没有发公众号消息了，前段时间被各种事情所占据，因此没有时间静下心来好好学习，所以也没能好好发干货了，因为现在主要学习方向是深度学习用于图像处理，因此开始学习Keras了，我将从今天开始不定期法自己的学习笔记，欢迎大家交流。

今天主要是Keras的model部分，接下来就是一些学习过程中的记录了。

第一部分：keras的模型

这些模型有很多的一样的属性与方法（可以直接import调用）：

Model.layers是组成一个模型的各种层，其中包括全连接层，池化层，卷积层等等；

Model.input是模型的一组输入张量；

Model.output是模型的一组张量输出；

Model.summary()可以输出模型的一个summary介绍；

Model.get_config()会返回一个字典类型变量，包括模型的组成。

Model.get_weights()会以numpy数组形式返回一组权重张量；

Model.set_weights()可以用于给模型设定权重以numpy数组的形式，需要注意的是shape必须一致；

Model.to_json()会以JSONstring的形式返回一个关于模型结构的表示。

Model.to_yaml()会以YAMLstring的形式返回一个关于模型结构的表示。

Model.save_weights(文件存储路径)可以以HDF5的文件类型存储模型权重。

Model.load_weights(文件路径，by_name=False)可以加载存储的模型权重Ps：模型结构不能变，并且以HDF5文件类型存储。

注意：HDF5文件必须有相应的包才能访问，必须安装python-hdfs库（但是好像不用import）。文件路径为相对路径在相应py文件所在位置的相应路径，例如Model.save_weights（‘file.h5’）就将该file.h5文件存于与py文件相同的路径下了。

通过call的方式可以创建自己的子类模型，例子在官网model部分。在子类中有些方法与属性是不能用的如：model.inputs model.outputs, model.to_yam()model.to_json() .get_config() .save()，虽然缺失一些功能，但用子类的方式可以让模型建立更加灵活。