6 一个工程理解Keras函数式模型-简化版手写字体识别-多层感知器

【理解层对象】

• 层对象接受张量为参数，返回一个张量。

• 输入是张量，输出也是张量的一个框架就是一个模型，通过Model定义。

• 这样的模型可以被像Keras的Sequential一样被训练

【例子】

from keras.layers import Input, Dense
from keras.models import Model

# This returns a tensor
inputs = Input(shape=(784,))

# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
y = Dense(64, activation='relu')(x)
z= Dense(10, activation='softmax')(y)

# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=z)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

　　至此，模型定义完毕。就像层一样，所有的模型都是可调用的。这里像上文中调用Dense一样调用了新定义的model，像上文中一样将张量x作为参数，返回一个张量

x = Input(shape=(784,))
# This works, and returns the 10-way softmax we defined above.
y = model(x)

【利用这两节所学构建一个多输入和多输出模型】

 ？此种情况下损失函数如何计算

【共享层】：当对两个对象做相同的处理，只初始化一个模型，然后像复用函数一样复用它。

 　　要对不同的输入共享同一层，就初始化该层一次，然后多次调用它.

import keras
from keras.layers import Input, LSTM, Dense #LSTM 长短期记忆网络
from keras.models import Model

tweet_a = Input(shape=(140, 256))
tweet_b = Input(shape=(140, 256))
# This layer can take as input a matrix
# and will return a vector of size 64
shared_lstm = LSTM(64)

# When we reuse the same layer instance
# multiple times, the weights of the layer
# are also being reused
# (it is effectively *the same* layer)
encoded_a = shared_lstm(tweet_a)  #复用代码段16 encoded_b = shared_lstm(tweet_b)

# We can then concatenate the two vectors: 
merged_vector = keras.layers.concatenate([encoded_a, encoded_b], axis=-1)  #连接两个向量

# And add a logistic regression on top
predictions = Dense(1, activation='sigmoid')(merged_vector)

# We define a trainable model linking the
# tweet inputs to the predictions
model = Model(inputs=[tweet_a, tweet_b], outputs=predictions)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
model.fit([data_a, data_b], labels, epochs=10)

【层节点的概念】

　　无论何时，当你在某个输入上调用层时，你就创建了一个新的张量（即该层的输出），同时你也在为这个层增加一个“（计算）节点”。这个节点将输入张量映射为输出张量。当你多次调用该层时，这个层就有了多个节点

　 【例子】

a = Input(shape=(140, 256))
b = Input(shape=(140, 256))

lstm = LSTM(32)
encoded_a = lstm(a)
encoded_b = lstm(b)

lstm.output

　　这段代码会报错：AssertionError: Layer lstm has multiple inbound nodes——顾名思义，lstm层有多个节点，访问时须指定下标，使用 get_output_at(node_index)方法。