tff.learning.from_keras_model

tff.learning.from_keras_model(

    keras_model: tf.keras.Model,

    loss: Loss,

    input_spec,

    loss_weights: Optional[list[float]] = None,

    metrics: Optional[Union[list[tf.keras.metrics.Metric], list[Callable[[], tf.keras.

        metrics.Metric]]]] = None

) -> tff.learning.Model

功能：该函数返回的 "tff.learning.Model "使用 "keras_model "进行前向传递和自动分化。

参数：

keras_model: tf.keras.Model：一个未被编译的`tf.keras.Model`对象。

loss：损失函数

input_spec。一个`tf.TensorSpec`或`tff.Type`的结构，指定模型期望的参数类型。

如果`input_spec`是一个`tff.Type`，其叶子节点必须是`TensorType'。     

请注意，“input_spec”必须是两个元素的复合结构，指定输入的数据：生成预测的模型 （x）以及和标签（y）预期的类型。

如果作为列表提供，则必须按 [x， y] 顺序排列；如果作为字典提供，则键必须显式命名为“{}”和 `'{}'`.

loss_weights: (可选)一个Python浮点数的列表，用于加权每个模型输出的损失率。

metrics: (可选)一个`tf.keras.metrics.Metric`对象的列表，或者一个无参数的可调用对象的列表。

如果发现名称为 "num_examples "或 "num_batches "的指标，它们将被原样使用。

如果在`metrics`参数列表中没有找到它们，它们将被默认添加到`metrics`中。

默认使用`tff.learning.metrics.NumExamplesCounter`和`tff.learning.metrics.NumBatchesCounter'。

返回值：A tff.learning.Model` object.

注1：这个函数目前不接受子类化的`tf.keras.Models`。

  因为它对某些属性的存在做了假设，而这些属性是通过函数式或序列式保证存在的。

  这些属性通过函数式或序列式API保证存在，但对于子类化的模型来说却不一定存在。

注2：如果`tf.keras.Model`包含BatchNormalization层，这个函数会引发一个UserWarning。

 因为批次的平均值和方差将被视为训练过程中不会被更新，可以考虑使用组归一化来代替。