keras Model 1 入门篇
最近在学习keras，它有一些实现好的特征提取的模型：resNet、vgg。而且是带权重的。用来做特诊提取比较方便
首先要知道keras有两种定义模型的方式：
1、 序列模型 The Sequential model
2、 函数式模型 the Keras functional
主要关注函数式模型：
函数式模型用来构造比较复杂的模型 ，比如说有多个输出的模型，有向非循环图，或者有共享层的模型
入门例子：密集连接的网络。可能这样的网络用Sequential模型实现起来更好，但是为了入门，就先做这样的一个简单的网络。
1、 每个layer实例都是可以调用的，它返回一个tensor
2、 输入tensor和输出tensor可以用来定义一个Model
3、 函数式的模型也可以像 Sequential模型一样训练。
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) x = Dense(64, activation='relu')(x) predictions = Dense(10, activation='softmax')(x) # This creates a model that includes # the Input layer and three Dense layers model = Model(inputs=inputs, outputs=predictions) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(data, labels) # starts training
生成的模型与layer一样，也是可以被调用的。
在函数式模型中，对一个模型的重用（reuse）是很简单的。只要把这个模型当成一个layer，然后在tensor上调用它即可。
要注意的是：这样调用的modle，不仅仅是它的结构被调用了，它权重也在被重用。
x = Input(shape=(784,)) # This works, and returns the 10-way softmax we defined above. y = model(x)
这样的话，我们就可以快速的创建能够处理序列化的输入的模型。比如说，我们把一个图片分类模型，应用到一个视频分类模型中，只需要一行代码即可
from keras.layers import TimeDistributed # Input tensor for sequences of 20 timesteps, # each containing a 784-dimensional vector input_sequences = Input(shape=(20, 784)) # This applies our previous model to every timestep in the input sequences. # the output of the previous model was a 10-way softmax, # so the output of the layer below will be a sequence of 20 vectors of size 10. processed_sequences = TimeDistributed(model)(input_sequences)
