12 Keras框架从零教程系列：建立自定义模型

查看大图

自定义模型给了最大灵活性，也把更多责任交给开发者。越自由，越要写清楚输入输出和测试样例。

查看大图

我会先用一小批假数据调用 call()。自定义逻辑如果没有最小测试，后续训练很难排错。

在本篇教程中，我们将学习如何在Keras框架中建立一个自定义模型。也就是说，我们会创建一个模型类，以便灵活定义神经网络的结构、前向传播逻辑，以及如何计算损失和更新权重。这为我们提供了更大的自由度，可以精确控制模型的每一个细节。

1. 自定义模型的基础

Keras提供了一个名为tf.keras.Model的基类，我们可以通过继承这个类来创建自己的模型。在自定义模型中，我们需要实现两个主要的方法：__init__()和call()。

查看大图

建立 Keras 自定义模型时，先确认继承结构、层初始化、调用流程、损失计算和训练接口。

• __init__(): 初始化模型的各个层。
• call(): 定义前向传播的逻辑。

2. 创建自定义模型

下面是一个示例，我们将创建一个简单的神经网络，包含一个输入层、一个隐藏层和一个输出层。

查看大图

《Keras框架从零教程系列：建立自定义模型》适合边看图边读正文。先确认问题和判断标准，再看概念解释与练习步骤，信息会更容易连成一条线。

import tensorflow as tf

class CustomModel(tf.keras.Model):
    def __init__(self):
        super(CustomModel, self).__init__()
        self.dense1 = tf.keras.layers.Dense(64, activation='relu')
        self.dense2 = tf.keras.layers.Dense(10, activation='softmax')

    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

在上述代码中，我们构建了一个名为CustomModel的自定义模型。其中，dense1是一个具有64个神经元的全连接层，激活函数使用ReLU；而dense2是一个具有10个神经元的全连接层，激活函数使用softmax。这个模型可以用于多分类任务。

3. 实例化和使用自定义模型

要使用我们刚刚创建的自定义模型，我们需要实例化它并提供输入数据。注意，模型的输入应该符合我们定义的层的输入形状。

# 实例化模型
model = CustomModel()

# 创建随机输入，假设输入数据的形状是(32, 20)
input_data = tf.random.normal((32, 20))

# 进行前向传播
output = model(input_data)

print(output.shape)  # 输出的形状应该是(32, 10)

在这个例子中，我们生成了一个具有32个样本、20个特征的随机输入，并通过自定义模型进行前向传播，最终输出的结果形状为(32, 10)，这代表32个样本的10个类的预测概率。

4. 自定义损失函数和指标（可选）

在一些情况下，我们需要自定义损失函数或者指标来符合特定的需求。可以在模型的call()方法中计算损失。在Keras中，损失函数通常接受预测值和真实标签作为输入。

下面是一个简单的自定义损失函数示例：

class CustomModel(tf.keras.Model):
    def __init__(self):
        super(CustomModel, self).__init__()
        self.dense1 = tf.keras.layers.Dense(64, activation='relu')
        self.dense2 = tf.keras.layers.Dense(10, activation='softmax')

    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

    def compute_loss(self, y_true, y_pred):
        return tf.reduce_mean(tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred))

在这个例子中，我们在模型中增加了一个compute_loss()方法，用于计算损失。我们使用了tf.keras.losses.sparse_categorical_crossentropy()函数来计算多分类的损失。

5. 与功能API的区别

在上一篇教程中，我们使用了Keras的功能API构建模型，其灵活性和表现力很强。而在自定义模型中，我们可以更加深入地控制模型的结构，包括动态选择不同的计算路径和实现复杂的前向传播。这种方式特别适合一些不规则的网络结构，比如循环神经网络（RNN）或者生成对抗网络（GAN）。

查看大图

读到这里，可以把《Keras框架从零教程系列：建立自定义模型》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《Keras框架从零教程系列：建立自定义模型》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

6. 小结

在本篇教程中，我们学习了如何建立一个自定义模型并进行前向传播。自定义模型是Keras中非常强大的特性，它允许我们精确控制模型的每一部分。接下来，我们将在下一篇中讲解如何对模型进行编译，准备训练和优化模型。

通过本篇教程，你现在应该可以自由地创建属于自己的自定义模型，灵活应对各种机器学习任务。希望你能继续探索Keras的更多功能！