构建Keras模型的三种方法

前言：

Keras API 的设计原则是 渐进式呈现复杂性 （ progressive disclosure of complexity ）：易于

上手，同时又可以处理非常复杂的用例，只需逐步渐进式学习。简单的工作流程应该简单易懂，

同时还有高级的工作流程：无论你的问题多么罕见、多么复杂，应该都有一条清晰的解决路径。

这条路径是建立在简单工作流程的基础之上的。也就是说，你从初学者成长为专家，可以一直

使用相同的工具，只是使用方式不同。

因此， Keras 没有唯一“正确”的使用方式。相反， Keras 提供了 一系列工作流程 ，既有非

常简单的工作流程，也有非常灵活的工作流程。

构建 Keras 模型的不同方法：

一、序贯模型（sequential model）：这是最容易理解的 API。它本质上是 Python 列表，仅限 于层的简单堆叠。

#导入一些相关模块
from tensorflow import keras
from tensorflow.keras import layers

#方法一：Sequential 类
model = keras.Sequential([
 layers.Dense(64, activation="relu"),
 layers.Dense(10, activation="softmax")
])


#方法二：请注意，还可以使用 add() 方法逐步构建相同的模型，它类似于Python 列表的 append() 方法。

model = keras.Sequential()
model.add(layers.Dense(64, activation="relu"))
model.add(layers.Dense(10, activation="softmax"))

二、函数式 API（functional API）：它专注于类似图的模型结构。它在可用性和灵活性之间找 到了很好的平衡点，因此是构建模型最常用的 API。

序贯模型易于使用，但适用范围非常有限： 它只能表示具有单一输入和单一输出的模型 ，

按顺序逐层进行处理。我们在实践中经常会遇到其他类型的模型， 比如多输入模型（如图像及

其元数据）、多输出模型（预测数据的不同方面）或具有非线性拓扑结构的模型。

在这种情况下，你可以使用函数式 API 构建模型。

#带有两个 Dense 层的简单函数式模型
inputs=keras.Input(shape=(3,),name="my_input")#每个样本的形状为 (3,)
features=layers.Dense(64,activation="relu")(inputs)#创建了一个层，并在输入上调用该层。
outputs=layers.Dense(10,activation="softmax")(features)
model=keras.Model(inputs=inputs,outputs=outputs)#我们在 Model 构造函数中指定输入和输出，将模型实例化


#多输入、多输出的函数式模型
vocabulary_size=10000
num_tags=100
num_departments=4
#定义模型的输入
title=keras.Input(shape=(vocabulary_size,),name="title")
text_body=keras.Input(shape=(vocabulary_size,),name="text_body")
tags=keras.Input(shape=(num_tags,),name="tags")
#%%
features=layers.Concatenate()([title,text_body,tags])#通过拼接将输入特征组合成张量features
features=layers.Dense(64,activation="relu")(features)#利用中间层，将输入特征重组

priority=layers.Dense(1,activation="sigmoid",name="priority")(features)
department=layers.Dense(
    num_departments,activation="softmax",name="department"
)(features)#定义模型输出
#%%
model=keras.Model(inputs=[title,text_body,tags],outputs=[priority,department])#通过指定输入和输出来创建模型

三、模型子类化（model subclassing）：它是一个底层选项，你可以从头开始自己编写所有内容。 如果你想控制每一个小细节，那么它是理想的选择。但是这样就无法使用 Keras 内置的 许多特性，而且更容易犯错误。

假设你要构建一个系统，按优先级对客户支持工单进行排序，并将工单转给相应的部门。
这个模型有 3 个输入：
工单标题（文本输入）
工单的文本正文（文本输入）
用户添加的标签（分类输入，假定为 one-hot 编码）
我们可以将文本输入编码为由 1 和 0 组成的数组，数组大小为 vocabulary_size
模型还有 2 个输出：
工单的优先级分数，它是介于 0 和 1 之间的标量（sigmoid 输出）
应处理工单的部门（对所有部门做 softmax）
利用函数式 API，仅凭几行代码就可以构建这个模型

    class CustomerTicketModel(keras.Model):
        def __init__(self,num_departments):
            super().__init__()#不要忘记调用 super()构造函数！
            #在构造函数中定义子层
            self.concat_layer=layers.Concatenate()
            self.mixing_layer=layers.Dense(63,activation="relu")
            self.priority_scorer=layers.Dense(1,activation="sigmoid")
            self.department_classifier=layers.Dense(num_departments,activation="softmax")
        def call(self,inputs):
            title=inputs["title"]
            text_body=inputs["text_body"]
            tags=inputs["tags"]

            features=self.concat_layer([title,text_body,tags])
            features=self.mixing_layer(features)
            priority=self.priority_scorer(features)
            department=self.department_classifier(features)
            return priority,department


model=CustomerTicketModel(num_departments=4)
priority,department=model({"title":title_data,"text_body":text_body_data,"tags":tags_data})

任何一种工 作流程的组件都可以用于其他工作流程，它们之间可以互相通信。