为什么我们说Keras中的functional用于非序列模型？
AFAIK，我们仍然需要创建一个模型并使用功能API向模型添加层。为什么人们说功能性人工智能被用来创建非序贯神经网络？
回答 2
Stack Overflow用户
发布于 2017-11-13 23:41:44
为什么人们说它习惯于非序贯神经网络？
问题是，使用Sequential Model，在调用.add()方法时，您将逐步(顺序地)定义模型。然而，在Functional (特别是Model类)上，您有更多的自由度，因为您可以定义接收不同输入的不同层，然后使用任何这些层(不一定一步一步，也不一定是顺序方式)与Model创建者一起实例化模型。
换句话说，在调用model = Sequential()时，您就是，此时实例化您的模型对象(然后为其添加层和约束)。在Functional中，创建层，然后通过使用所需的输入和输出层调用model = Model(inputs=in, outputs=out)来实例化模型。正如您所看到的，这两种方法可以是等价的，例如，这两种方法是相同的：
from keras.models import Sequential, Model
from keras.layers import Input, Dense, Activation
#---Using the Sequential model
model = Sequential() #Object is instantiated here
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
#---Or using the Functional API
a = Input(shape=(784,))
b = Dense(32, activation='relu')(a)
model = Model(inputs=a, outputs=b) #Object is instantiated here考虑到这一点，那么选择哪种方式更取决于你的个人风格和编码偏好。现在，与顺序模型相比，的一个主要优点是使用函数API，即可以在不同的模型()之间共享或重用层。
在编译和拟合模型时，它的所有相关层都将被编译和训练。因此，共享这些层的任何其他模型也将反映这些更改。这给了你做很多事情的自由，比如获得你的网络的子模型，重新定义它们，获得它的相对输出，将它们合并成更复杂的模型，等等，而不必为每一个子模型再进行训练。
为了更清楚地说明，这里有一个示例(基于这 Keras自动编码博客文章)，说明了在最后一段中讨论的内容：
from keras.layers import Input, Dense
from keras.models import Model
#Create an autoencoder, along with its encoder and decoder model
input_img = Input(shape=(784,))
encoded = Dense(32, activation='relu')(input_img)
decoded = Dense(784, activation='sigmoid')(encoded)
#Here we define our autoencoder model: image -> encoding -> decoded image
autoencoder = Model(input_img, decoded)
#Now here is the advantage of the Funcional API
#We can reuse those layers to obtain an encoder model (image -> encoding)
#as well as a decoder model (encoding -> image)
#but compile all three by just compiling and fitting the Autoencoder model
encoder = Model(input_img, encoded) #see how the 'encoded' layer is output
# create a placeholder for an encoded (32-dimensional) input
encoded_input = Input(shape=(32,))
# retrieve the last layer of the autoencoder model
decoder_layer = autoencoder.layers[-1]
# create the decoder model
decoder = Model(encoded_input, decoder_layer(encoded_input))
#compile and fit with your data
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
autoencoder.fit(X,Y,...)在此之后，您将能够单独对encoder和decoder模型进行预测(例如，可视化您的编码)，以及将autoencoder模型作为一个整体进行预测。在这一点上，做以下事情是等价的：
#obtain reconstructed representation directly
autoencoder_imgs = autoencoder.predict(x_test)
#obtain reconstructed representation by joining encoder and decoder models
encoder_imgs = encoder.predict(x_test)
decoded_imgs = decoder.predict(encoded_imgs)希望这能有所帮助。就我个人而言，我总是尝试使用Functional，而不管我是否想重用或循环层，因为我发现它更冗长，但这取决于您的决定。
Stack Overflow用户
发布于 2017-11-14 12:51:27
嗯，“顺序”并不是真正正确的术语，但它是Keras开发人员选择的名称。当然，所有的模型都是按顺序工作的。
区别是：
Sequential模型是一条直线。您一直在添加层，每个新层都接受前一层的输出。你不能用树枝制作有创意的图表。- 函数式API
Model完全可以根据需要拥有任意数量的分支、输入和输出。
Sequential模型的示例：
from keras.models import Sequential
from keras.layers import *
#you create a model
model = Sequential()
#and you add layers
model.add(SomeKerasLayer(...))
model.add(AnotherKerasLayer(...))
#as you can see, this model is a straight line, you only add layers "sequentially"函数API Model示例
现在，我们开始创建非常漂亮的模型。
from keras.models import Model
from keras.layers import *我们首先定义输入张量。我们可以有任意数量的投入！(顺序模型仅限于一个输入，您使用input_shape在第一层中定义该输入)。
input1 = Input(inputShape1)
#We can have more inputs if we want!
input2 = Input(inputShape2)
input3 = Input(inputShape3)我们通过创建层和“用输入张量调用层”来工作。
当我们调用一个具有输入张量的层时，我们得到一个输出张量。
我们可以创造任何我们想要的道路。
#Example: two separate layers taking two separate inputs:
output1 = SomeLayer(...)(input1)
output2 = AnotherLayer(...)(input2)我们可以用不同的选项连接两个分支，例如添加、乘、连接等等：
#joining the previous tensors output1 and output2
joined1_2 = Concatenate()([output1,output2])我们可以用不同的输入重用相同的层，得到不同的输出：
aLayer = AKerasLayer(...) #notice I'm creating this layer but not calling it yet
#calling the same layer with two different inputs
output1 = aLayer(joined1_2)
output2 = aLayer(input3)最后，我们可以用我们想要的输入和输出来定义模型：
model = Model([input1,input2,input3],[output1, output2])重用关联模型
这两种模型，顺序API和functional，都可以像层一样使用。
您可以使用和输入张量调用模型，并获得输出张量，就像创建函数API模型时一样：
input1 = Input(shape)
output1 = anExistingSequentialModel(input1)
output2 = anExistingFunctionalModel(input1)
newModel = Model(input1,[output1,output2])您也可以在顺序模型中添加模型(注意分支，添加的模型最好有一个输入和一个输出，因为这是一个顺序输入)
seqModel = Sequential()
seqModel.add(anotherModel)https://stackoverflow.com/questions/47274299
复制相似问题
腾讯云开发者
