眾所周知，利用Keras-Python庫(kù)可以快速、輕松地創(chuàng)建屬于自己的深度學(xué)習(xí)的模型，今天我們就來(lái)介紹一些我們常用的API函數(shù)。

序貫?zāi)Ｐ停⊿equential）API允許你為大多數(shù)問(wèn)題逐層的創(chuàng)建模型。它的局限性在于它不允許你創(chuàng)建共享層或者是具有多個(gè)輸入或輸出的模型。

Keras中的API函數(shù)是創(chuàng)建更多靈活性模型的替代方法，其中也包括創(chuàng)建更復(fù)雜的模型。

在本篇博客中，你將發(fā)現(xiàn)如何在Keras中使用靈活的API函數(shù)來(lái)定義深度學(xué)習(xí)模型。

閱讀完成后，你將知道：

1．連續(xù)的API和API函數(shù)之間的區(qū)別。

2．如何使用API函數(shù)定義簡(jiǎn)單的多層感知器，卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

3．如何使用共享層和多個(gè)輸入和輸出定義更復(fù)雜的模型。

OK，讓我們開(kāi)始吧。

教程概述

本教程分為6部分：

1．Keras序貫?zāi)Ｐ汀?/p>

2．Keras功能函數(shù)模型。

3．標(biāo)準(zhǔn)網(wǎng)絡(luò)模型。

4．共享層模型。

5．多個(gè)輸入和輸出模型。

6．最佳練習(xí)。

Keras提供了一個(gè)Sequential模型的API。

這是創(chuàng)建深度學(xué)習(xí)模型的一種方法，其中創(chuàng)建了Sequential類(lèi)的實(shí)例，并創(chuàng)建了模型圖層并將其添加其中。

例如，可以將層定義并傳遞給Sequential作為數(shù)組：

層也可以分段添加：

序貫?zāi)Ｐ偷腁PI在大多數(shù)情況下非常適合開(kāi)發(fā)深度學(xué)習(xí)模型，但也有一些限制。例如，它不能定義具有多個(gè)不同輸入源的模型，因?yàn)槟菢訒?huì)產(chǎn)生多個(gè)輸出目標(biāo)。

Keras功能API為定義模型提供了更靈活的方式。

它允許你定義多個(gè)輸入或輸出的模型以及可以共享圖層的模型。除此之外，它還允許你定義臨時(shí)的非循環(huán)網(wǎng)絡(luò)圖。

模型通過(guò)創(chuàng)建層的實(shí)例并將它們直接彼此成對(duì)連接來(lái)定義，然后定義一個(gè)模型，該模型的指定層作為模型的輸入和輸出。

我們來(lái)看看Keras功能API的三個(gè)獨(dú)特方面：

2.1定義輸入

與Sequential模型不同，你必須創(chuàng)建并定義一個(gè)獨(dú)立的輸入層，該層指定輸入數(shù)據(jù)的形狀。

輸入層采用一個(gè)模型參數(shù)，它是一個(gè)代表輸入數(shù)據(jù)維度的元組。

當(dāng)輸入數(shù)據(jù)為一維時(shí)，例如對(duì)于多層感知器，該模型必須明確留出在訓(xùn)練網(wǎng)絡(luò)分割數(shù)據(jù)時(shí)所使用的小批量大小的形狀。因此，模型元組始終以?huà)炱鸬淖詈笠痪S（2）定義，例如：

from keras.layers import Input

visible = Input(shape=(2,))

2.2連接層

模型中的層可以成對(duì)連接，這是通過(guò)在定義每個(gè)新圖層時(shí)指定輸入來(lái)自哪里。使用括號(hào)符號(hào)，使得在創(chuàng)建圖層之后，指定從當(dāng)前圖層的輸入到即將到達(dá)的圖層。

讓我們用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明這一點(diǎn)。我們可以創(chuàng)建如上所述的輸入層，然后創(chuàng)建一個(gè)隱藏層，作為僅從輸入層接收輸入的密集層。

正是通過(guò)這種連接層的方法，使功能API更具有靈活性。你可以看到開(kāi)始定義ad-hoc圖層的特殊圖形變得多么的容易。

2.3創(chuàng)建模型

創(chuàng)建模型所需的所有圖層并將其連接在一起后，接下來(lái)必須定義模型。與Sequential API一樣，該模型是你可以概述、擬合、評(píng)估和使用做出預(yù)測(cè)。

Keras提供了一個(gè)Model類(lèi)，你可以使用它從創(chuàng)建的圖層時(shí)創(chuàng)建模型。它要求你需要指定輸入和輸出層。例如：

既然現(xiàn)在我們知道了Keras功能API的所有關(guān)鍵部分，我們通過(guò)定義一套不同的模型實(shí)踐一下我們的學(xué)習(xí)成果。

以下每個(gè)示例都是可執(zhí)行的，并打印結(jié)構(gòu)并創(chuàng)建圖表。我建議為你自己的模型做這個(gè)，這樣可以讓你清楚你的定義。

我希望這些示例可以為你在以后使用功能API定義自己的模型時(shí)提供了模板。

當(dāng)開(kāi)始使用功能API時(shí)，最好先了解一些關(guān)于標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型的定義。在本節(jié)中，我們將介紹定義一個(gè)簡(jiǎn)單的多層感知器，卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。

這些例子將為以后理解更詳細(xì)的例子奠定基礎(chǔ)。

3.1多層感知器

在本節(jié)中，我們?yōu)槎M(jìn)制分類(lèi)定義了一個(gè)多層Perceptron模型。該模型有10個(gè)輸入，3個(gè)隱藏層，10個(gè)神經(jīng)元，輸出層有1個(gè)輸出。在每個(gè)隱藏層中使用整流線性激活函數(shù)，在輸出層使用S形激活函數(shù)進(jìn)行二進(jìn)制分類(lèi)。

運(yùn)行示例打印網(wǎng)絡(luò)的結(jié)構(gòu)：

模型圖的創(chuàng)建并保存到文件：

3.2卷積神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，我們將定義一個(gè)用于圖像分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)。

該模型接收黑白64×64圖像作為輸入，然后兩個(gè)卷積層和匯集層的序列作為特征提取器，隨后是完全連接的層來(lái)解釋特征，并且輸出層是具有S形激活函數(shù)。

運(yùn)行示例：

模型圖的圖創(chuàng)建并保存到文件：

3.3循環(huán)神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，我們將定義一個(gè)LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)用于序列分類(lèi)。

該模型是100個(gè)時(shí)間步長(zhǎng)作為輸入，該模型具有單個(gè)LSTM隱藏層，用于從序列中提取特征，然后是完全連接的層以解釋LSTM輸出，隨后是用于進(jìn)行二進(jìn)制預(yù)測(cè)的輸出層。

運(yùn)行示例總結(jié)模型層。

模型圖的創(chuàng)建并保存到文件：

多層可以共享一層的輸出。

例如，可能存在來(lái)自輸入的多個(gè)不同的特征提取層，或者用于解釋特征提取層輸出的多個(gè)層。

我們來(lái)看看這兩個(gè)例子。

4.1共享輸入層

在本節(jié)中，我們使用不同大小的內(nèi)核定義多個(gè)卷積層來(lái)解釋圖像輸入。

該模型輸入采用大小為64×64像素的黑白圖像。有兩個(gè)CNN特征提取子模型共享該輸入：第一個(gè)內(nèi)核大小為4，第二個(gè)內(nèi)核大小為8。這些特征提取子模型的輸出被平坦化為向量，并連接成一個(gè)長(zhǎng)向量，并傳遞到完全連接的層，以便在最終輸出層之前進(jìn)行二進(jìn)制分類(lèi)。

運(yùn)行示例總結(jié)模型層。

模型圖的被創(chuàng)建并保存到文件：

4.2共享特征提取層

在本節(jié)中，我們使用兩個(gè)并行子模型解釋LSTM特征提取器的輸出以進(jìn)行序列分類(lèi)。

模型的輸入是一個(gè)特征為100的時(shí)間步長(zhǎng)，具有10個(gè)存儲(chǔ)單元的LSTM層解釋該序列。第一種解釋模式是淺層的單層完全連接層，第二種是深層的3層模型。兩個(gè)解釋模型的輸出都被連接成一個(gè)長(zhǎng)向量，傳遞給用于進(jìn)行二進(jìn)制預(yù)測(cè)的輸出層。

運(yùn)行示例總結(jié)模型層。

模型圖被創(chuàng)建并保存到文件。

功能API也可用于開(kāi)發(fā)具有多個(gè)輸入的更復(fù)雜的模型，可能具有不同的模態(tài)。它也可以用于開(kāi)發(fā)產(chǎn)生多個(gè)輸出的模型。

我們將在本節(jié)中查看每個(gè)示例。

5.1多輸入模型

我們將開(kāi)發(fā)一個(gè)圖像分類(lèi)模型，它將兩個(gè)版本的圖像作為輸入，每個(gè)版本的大小不同。具體是黑白64×64版，彩色32×32版。單獨(dú)的特征提取CNN模型在每個(gè)模型上運(yùn)行，然后將兩個(gè)模型的結(jié)果連接起來(lái)進(jìn)行解釋和最終預(yù)測(cè)。

請(qǐng)注意，在創(chuàng)建Model（）實(shí)例時(shí)，我們將兩個(gè)輸入圖層定義為數(shù)組。

model = Model(inputs=[visible1, visible2], outputs=output)

完整的示例如下所示。

運(yùn)行示例：

模型圖被創(chuàng)建并保存到文件。

5.2多輸出模型

在本節(jié)中，我們將開(kāi)發(fā)出一種可以進(jìn)行兩種不同類(lèi)型預(yù)測(cè)的模型。給定一個(gè)特征的100個(gè)時(shí)間步長(zhǎng)的輸入序列，該模型將對(duì)序列進(jìn)行分類(lèi)并輸出具有相同長(zhǎng)度的新序列。

LSTM層解釋輸入序列，并返回每個(gè)時(shí)間步長(zhǎng)的隱藏狀態(tài)。第一個(gè)輸出模型創(chuàng)建一個(gè)堆棧的LSTM，解釋特征，并進(jìn)行二進(jìn)制預(yù)測(cè)。第二個(gè)輸出模型使用相同的輸出層對(duì)每個(gè)輸入時(shí)間步長(zhǎng)進(jìn)行實(shí)值預(yù)測(cè)。

運(yùn)行示例。

模型圖的創(chuàng)建并保存到文件：

在本節(jié)中，我給你一些提示，以便在定義自己的模型時(shí)充分利用功能性API。

1. 一致的變量名。對(duì)輸入（可見(jiàn)）和輸出層（輸出）使用相同的變量名稱(chēng)，甚至可以使用隱藏層（hidden1，hidden2）。它將有助于正確地將事物聯(lián)系起來(lái)。

2. 查看圖層圖。始終打印模型摘要并查看圖層輸出，以確保模型按預(yù)期連接在一起。

3. 查看圖表。創(chuàng)建一個(gè)模型圖的情節(jié)，并檢查它，以確保所有的東西都按照你的意圖放在一起。

4. 命名圖層。你可以為查看模型圖的名稱(chēng)和繪圖時(shí)使用的圖層分配名稱(chēng)。例如：Dense（1，name ='hidden1'）。

5. 單獨(dú)的子模型。考慮分開(kāi)子模型的發(fā)展，并將子模型結(jié)合在一起。

作者信息

Dr. Jason Brownlee 是一名機(jī)器學(xué)習(xí)從業(yè)者，學(xué)術(shù)研究人員，致力于幫助開(kāi)發(fā)人員從入門(mén)到精通機(jī)器學(xué)習(xí)。

本文由北郵@愛(ài)可可-愛(ài)生活老師推薦，阿里云云棲社區(qū)組織翻譯。

文章原標(biāo)題《keras-functional-api-deep-learning》