【keras】函数式（Functional）模型学习构建全连接神经网络（一）

Keras函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。一句话，只要你的模型不是类似VGG一样一条路走到黑的模型，或者你的模型需要多于一个的输出，那么你总应该选择函数式模型。函数式模型是最广泛的一类模型，序贯模型（Sequential）只是它的一种特殊情况。

通过function模型构建全连接神经网络：

# -*- coding: utf-8 -*-
"""
Created on Thu Jan 11 23:53:26 2018
函数式function模型
@author: BruceWong
"""
import keras
from keras.layers import Input, Dense
from keras.models import Model
import numpy as np
# generate data生成数据
x_train = np.random.random((1000,10))
y_train = keras.utils.to_categorical(np.random.randint(10,size = (1000,1)), num_classes=10)
#设定模型，用input设定传入张量tensor的维度；
# This returns a tensor
inputs = Input(shape=(10,))
#所有的模型都是可调用的，就像层一样
# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
#得到输出的张量prediction
predictions = Dense(10, activation='softmax')(x)
# This creates a model that includes
# the Input layer and three Dense layers
#用model生成模型
model = Model(inputs=inputs, outputs=predictions)
#编译模型，指定优化参数、损失函数、效用评估函数
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
#传入数据进行训练
model.fit(x_train, y_train,epochs = 10,batch_size = 128)  # starts training

所有的模型都是可调用的，就像层一样

利用函数式模型的接口，我们可以很容易的重用已经训练好的模型：可以把模型当作一个层一样，通过提供一个tensor来调用它。注意当你调用一个模型时，不仅仅重用了它的结构，也重用了它的权重。