09_ tf.keras函数式API详解

1.Functional API概述

Functional API是完全可以 cover Sequential Model的，也就是说SequentialModel可以完成的任务FnctioanlAPI都可以完成。

相关文档：

• 函数式 API 指引
• Model (函数式 API)

1.1 什么时候需要Functional API：

• 多输入模型
• 多输出模型
• 有向无环图模型
• 有共享权重的层

1.2 Functional API的特征

• 始于tensorflow.keras.layers.Input()
• 终于大Model，即tensorflow.keras.models.Model()
• Layer的实例是可调用的，它以张量为参数，并且返回一个张量，模型通过各个Layer将Tensor联结起来
• 每一个Layer的类第一次调用返回的是Layer的实例
• Tensor的变量名可以重复使用
• 一个模型也可以像网络层一样调用

1.3 Input

Input用于实例化张量，因此该方法返回的就是一个张量。方法原型：

tensorflow.keras.layers.Input()

主要参数：

• shape: 一个尺寸元组（整数），不包含批量大小。
• batch_shape: 一个尺寸元组（整数），包含批量大小。 例如，batch_shape=(10, 32) 表明期望的输入是 10 个 32 维向量。 batch_shape=(None, 32) 表明任意批次大小的 32 维向量。
• name: 一个可选的层的名称的字符串。 在一个模型中应该是唯一的（不可以重用一个名字两次）。 如未提供，将自动生成。
• dtype: 输入所期望的数据类型，字符串表示 (float32, float64, int32…)
• sparse: 一个布尔值，指明需要创建的占位符是否是稀疏的。
• tensor: 可选的可封装到 Input 层的现有张量。 如果设定了，那么这个层将不会创建占位符张量。

1.4 Model

返回一个模型实例。

tensorflow.keras.models.Model()

主要参数：

• input：模型的输入
• output：模型的输出

2.Functional API示例

input_ = Input(shape=input_shape) #始于layers.Input
    
net = Conv2D(64,3,strides=1,padding='same',activation='relu',name='conv1')(input_)
net = Conv2D(64,3,strides=1,padding='same',activation='relu',name='conv2')(net)
net = MaxPooling2D(2,2,'same',name='block1_maxpool')(net)
net = Flatten(name='flatten')(net)
net = Dense(4096, activation='relu', name='fc')(net)
net = Dense(classes, activation='softmax', name='predictions')(net)

model = Model(input_, net, name='VGG19')

Functional API构建模型始于layers.Input，Input中的参数是输入数据的尺寸，所以知道了输入数据的格式Input就完成了，Iput会返回一个Tensor，所以代码中的input_就是一个张量，下面就是完成模型的结构。

来看

net = Conv2D(64,3,strides=1,padding='same',activation='relu',name='conv1')(input_)

这句代码可以拆开来看，首先Conv2D(64,3,strides=1,padding='same',activation='relu',name='conv1')根据其中的参数返回Conv2D这个类的instance，也就是实例，前面说过，Layer的实例是可调用的，它以张量为参数，并且返回一个张量，模型通过各个Layer将Tensor联结起来，这个实例在前面Input返回的Tensor(input_)上进行调用，在返回一个net，也就是说net是input_经过一个Conv2D处理之后的一个Tensor，下面的代码原理相同。