tf.keras学习总结（二）：keras的函数式编程

参考资料：

keras官方文档中文版：https://keras.io/zh/getting-started/functional-api-guide/

tf官方文档：https://tensorflow.google.cn/guide/keras#functional_api

---

 

图片来自：https://blog.csdn.net/zjw642337320/article/details/81204560

---

 

Keras 函数式 API

Keras 函数式 API 是定义复杂模型（如多输出模型、有向无环图，或具有共享层的模型）的方法。

---

函数式API编程的特点：

上一篇文章中提到的全连接神经网络模型，用函数式编程的话： 

 

构建复杂的模型拓扑指的是：

• 网络层的实例是可调用的，它以张量为参数，并且返回一个张量
• 输入和输出均为张量，它们都可以用来定义tf.keras.Model实例
• 这样的模型同 Keras 的 Sequential 模型一样，都可以被训练
• 多输入模型，
• 多输出模型，
• 具有共享层的模型（同一层被调用多次），
• 具有非序列数据流的模型（例如，剩余连接）。

上篇文章中提到的全连接神经网络模型：https://blog.csdn.net/weixin_42483560/article/details/84951612 

用函数式编程的实现代码如下：

from keras.layers import Input, Dense
from keras.models import Model
# 定义训练样本
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

# 这部分返回一个张量
inputs = Input(shape=(784,))

# 层的实例是可调用的，它以张量为参数，并且返回一个张量
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 这部分创建了一个包含输入层和三个全连接层的模型
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  # 开始训练

下篇文章会整理一个用函数式API编程写的多输入多输出网络的实例。

---

填坑：函数式API编程写的多输入多输出网络（Text-CNN网络）的实例：https://blog.csdn.net/weixin_42483560/article/details/89552490