Keras構建神經網路的3種方法

有三種方法可以在tensorflow中構建keras模型：

sequential api：當你試圖使用單個輸入、輸出和層分支構建簡單模型時，sequential api是最好的方法。對於想快速學習的新手來說，這是乙個很好的選擇。

functional api：函式api是構建keras模型最流行的方法。它可以完成sequential api所能做的一切。此外，它允許多個輸入、多個輸出、分支和層共享。它是一種簡潔易用的方法，並且仍然允許很好的定製靈活性。

模型子類化：模型子類化是為需要完全控制模型、層和訓練過程的高階開發人員設計的。你需要建立乙個定義模型的自定義類，而且你可能不需要它來執行日常任務。但是，如果你是乙個有實驗需求的研究人員，那麼模型子類化可能是最好的選擇，因為它會給你所有你需要的靈活性。

在sequential api中，我們需要tf.keras.models模組。我們可以簡單地將下面的所有層作為乙個單獨的層來傳遞。如你所見，這很簡單。

model = sequential([

flatten(input_shape=(28, 28)),

dense(256,『relu』),

dense(10, 「softmax」),

])對於functional api，我們需要單獨定義我們的輸入。然後，我們需要建立乙個輸出物件，同時建立所有層，這些層相互關聯並與輸出相關聯。最後，我們建立乙個接受輸入和輸出作為引數的模型物件。**仍然非常乾淨，但是我們在functional api中有了更大的靈活性。

inputs = input(shape=(28, 28))

x = flatten()(inputs)

x = dense(256, 「relu」)(x)

outputs = dense(10, 「softmax」)(x)

model = model(inputs=inputs, outputs=outputs, name=「mnist_model」)

讓我們繼續討論模型子類化。在模型子類化中，我們從建立乙個擴充套件類基於tf.keras.model 。模型子類化有兩個關鍵功能：

init__函式充當建構函式。多虧了__init，我們可以初始化模型的屬性（例如，layer）。super呼叫父建構函式（ tf.keras.model中的建構函式)self用於引用例項屬性。

call function是在定義層之後定義操作的地方。

為了使用模型子類化來構建同乙個模型，我們需要編寫更多的**，如下所示：

class custommodel(tf.keras.model):

definit(self, **kwargs):

super(custommodel, self).init(**kwargs)

self.layer_1 = flatten()

self.layer_2 = dense(256, 「relu」)

self.layer_3 = dense(10, 「softmax」)

def call(self, inputs):

x = self.layer_1(inputs)

x = self.layer_2(x)

x = self.layer_3(x)

return x

model = custommodel(name=『mnist_model』)

現在你可以用三種不同的方法建立同乙個模型，你可以選擇其中任何乙個，構建模型，並執行下面的**。

model.compile(optimizer=『adam』,

loss=『sparse_categorical_crossentropy』,

metrics=[『accuracy』])

model.fit(x=x_train,y=y_train, epochs=10)

model.evaluate(x_test, y_test)

參考：