Keras的两种模型：序列模型(Sequential)和通用模型(Model)

Keras中有两种不同的模型：序列模型(Sequential)和通用模型(Model)

一.序列模型(Sequential)

序列模型的两种创建方式：list构造和add()构造

1.1 list构造

通过向Sequential模型传递一个layer的list来构造该模型：

from keras.models import Sequential
from keras.layers import Dense, Activation
 
layers = [Dense(32, input_shape = (784,)),
          Activation('relu'),
          Dense(10),
          Activation('softmax')]
 
model = Sequential(layers)

1.2 add()构造

通过add逐层向Sequential中添加layer

from keras.models import Sequential
from keras.layers import Dense, Activation
 
model = Sequential() # 定义模型
model.add(Dense(units=64, activation='relu', input_dim=100)) # 定义网络结构
model.add(Dense(units=10, activation='softmax')) # 定义网络结构
model.compile(loss='categorical_crossentropy', # 定义loss函数、优化方法、评估标准
              optimizer='sgd',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, batch_size=32) # 训练模型
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) # 评估模型
classes = model.predict(x_test, batch_size=128) # 使用训练好的数据进行预测

二.通用模型(Model)

from keras.layers import Input, Dense
from keras.models import Model
 
# 输入层，确定输入维度
input = input(shape = (784, ))
# 2个隐含层，每个都有64个神经元，使用relu激活函数，且由上一层作为参数
x = Dense(64, activation='relu')(input)
x = Dense(64, activation='relu')(x)
# 输出层
y = Dense(10, activation='softmax')(x)

model = Model(inputs=input, outputs=y)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(data, labels)

注意⚠️，在新版的keras中model = Model(inputs=input, outputs=y)中的inputs和outpus不再是之前的input和output，注意加s！
优点：

• 1、 每个layer实例都是可以调用的，它返回一个tensor
• 2、 输入tensor和输出tensor可以用来定义一个Model
• 3、 函数式的模型也可以像 Sequential模型一样训练。