【511】Keras 函数式 API

参考：开始使用 Keras 函数式 API

参考：Model 类（函数式 API）说明

• 单一输入输出：model = Model(inputs=inputs, outputs=output)
• 多输入多输出：model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])
• 总结：单一的话直接写，多的话就写成列表形式

参考：Layers » 融合层 Merge

• keras.layers.Add()：计算输入张量列表的和。
• keras.layers.Subtract()：计算两个输入张量的差。
• keras.layers.Multiply()：计算输入张量列表的（逐元素间的）乘积。
• keras.layers.Average()：计算输入张量列表的平均值。
• keras.layers.Maximum()：计算输入张量列表的（逐元素间的）最大值。
• keras.layers.Concatenate(axis=-1)：连接一个输入张量的列表。
• keras.layers.Dot(axes, normalize=False)：计算两个张量之间样本的点积。

---

 1.1 函数式 API 简介

　　使用函数式 API，可以直接操作张量，也可以把层当作函数来使用，接收张量并返回张量。

　　将 Sequential 模型转换为对应的 函数式 API

Sequential 模型

?

1 2 3 4

seq_model = Sequential() seq_model.add(layers.Dense(32, activation='relu', input_shape=(64,))) seq_model.add(layers.Dense(32, activation='relu')) seq_model.add(layers.Dense(10, activation='softmax'))

　　对比上面的两种实现，深蓝色的部分基本是一样的，只是需要后面添加关联的信息即可。

1.2 多输入模型

　　典型的问答模型有两个输入：一个自然语言描述的问题和一个文本片段（比如新闻文章），后者提供用于回答问题的信息。然后模型要生成一个回答，在最简单的情况下，这个回答只包含一个词，可以通过对摸个预定义的词表做softmax得到。

　　输入：问题 + 文本片段

　　输出：回答（一个词）

　　思考说明，相当于两个线性模型在合并，中间用 layers.concatenate() 连接

　　标准写法如下： 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

from keras.models import Model from keras import layers from keras import Input     text_vocabulary_size = 10000 question_vocabulary_size = 10000 answer_vocabulary_size = 500     text_input = Input(shape=(None,),                    dtype='int32',                    name='text') embeded_text = layers.Embedding(text_vocabulary_size,64)(text_input) encoded_text = layers.LSTM(32)(embeded_text)         question_input = Input(shape=(None,),                       dtype = 'int32',                       name = 'question') embeded_question = layers.Embedding(question_vocabulary_size,32)(question_input) encoded_question = layers.LSTM(16)(embeded_question)     concatenated = layers.concatenate([encoded_text,encoded_question],axis=-1) answer = layers.Dense(answer_vocabulary_size,activation='softmax')(concatenated)     model = Model([text_input,question_input],answer) model.compile(optimizer='rmsprop',              loss = 'categorical_crossentropy',              metrics = ['acc'])     model.summary()