比序贯模型要复杂，但是效果很好，可以同时/分阶段输入变量，分阶段输出想要的模型。

所以说，只要你的模型不是类似VGG一样

1，应用函数式模型的基本步骤

1，model.layers()添加层

2，model.compile()模型训练的BP模式设置

3，model.fit()模型训练参数设置+训练

4，evaluate()模型评估

5，predict()模型预测

2，常用Model属性

model.layers：组成模型图的各个层

model.inputs：模型的输入张量列表

model.outputs：模型的输出张量列表

1model=Model(inputs=,outputs=)

3，指定输入数据的shape

1inputs=Input(shape=(20,))

4，编译，训练，评估，预测等步骤与序贯式模型相同(这里不再赘述)

1compile(self,optimizer,loss,metrics=None,loss_weights=None,sample_weight_mode=None)

本函数按batch计算在某些输入数据上模型的误差，其参数有：

x：输入数据，与fit一样，是numpyarray或者numpyarray的list

y：标签，numpyarray

batch_size：整数，含义同fit的同名函数

verbose：含义与fit的同名函数，但是只能取0或者1

sample_weight：numpyarray，含义同fit的同名函数

本函数编译模型以供训练，参数有：

1evaluate(self,x,y,batch_size=32,verbose=1,sample_weight=None)

序贯模型和函数模型共同的API

model.summary()：打印出模型的概况，它实际调用的是keras.utils.print_summary

model.get_config()：返回包含模型配置信息的Python字典，模型也可以从config中重构回去。

config=model.get_config()

model=Model.from_config(config)

model=Sequential.from_config(config)

上面是分别对序贯模型和函数式模型载入config

model.get_layer()：依据层名或下标获得层对象

model.get_weights()：返回模型权重张量的列表，类型为numpy.array

model.set_weights()：从numpyarray里载入给模型，要求数组与model.get_weights()一样

model.to_json()：返回代表模型的JSON字符串，仅仅包含网络结构，不包含权重，可以从JSON字符串中重构模型

以上内容为大家介绍了python的Keras函数式模型，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。