keras concatenate_理解 Keras 中 "Layer" 的大小写区别

keras 中有两个基本的概念：Layer 和 Tensor

Layer ：是模型的组成单位，用于构建神经网络框架 在 keras 中用 大写的 module 表示，用于搭建纯模型框架，涉及到计算时使用属性 input 或 output 调出其 Tensor 如以下代码，多用于简单的 Sequential 结构（导入模块部分省略，python=3.7, keras=2.2）

n_in 

上述代码使用了大写的 Concatenate function 表示一个 Layer，这个 function 的参数是元素为 Layer 的 list；

输出的结果是可以构筑 model 的 Layer，这样一个完整的 神经网络 model 完成了

如果要使用小写的 concatenate function，这个 function 里面的参数是元素为 Tensor 的 list

• Sequential function 返回模型的结构

model_1 

返回值为 sequential 序列模型储存位置

若将它储存到模型中

model 

model.summary() 最后一行是

sequential_1 

model_1 的 layers 属性返回一个包含其所用有的所有层的列表

type

把两个 layer 用 Concatenate function 串联起来

model_2 = model_1.layers[0]
model_2 = Dense(2)
#two statements above are as the same as each other
#the first code script using the core layers
model_1 = Dense(n_out, input_shape = (n_in,))
model_2 = Dense(n_out, input_dim = n_in)
model = Sequential()
model.add(Concatenate([model_1, model_2]))
model.compile(loss='categorical_crossentropy', optimizer='SGD')

model_2 还是 Layer，若要使用其产生的 Tensor

则使用

model_2

回到刚开始提出的问题，如果要使用小写的concatenate function，则要使用Tensor

model

• 不能像上面这样写，因为 concatenate function 返回的不是 Layer，而是 Tensor
• 若要将 Tensor 转化为 Layer，则需要用到 Lambda function（同样需要首字母大写）

x 

另一种组成神经网络模型的方法是用 Keras functional API

keras functional API 使用 Tensor传递的方法构建神经网络框架

input_shape 

这里用到了大写的 Concatenate function，将 Tensor 参数放在 function 后面调用，返回的同样是 Tensor

• 如果使用小写的 concatenate function，这个 function 本身返回的就是 Tensor

input_shape