keras Model 1 入門篇

1 入門

2 多個輸入和輸出

3 共享層

最近在學習keras，它有一些實現好的特徵提取的模型：resNet、vgg。並且是帶權重的。用來作特診提取比較方便

首先要知道keras有兩種定義模型的方式：

一、 序列模型  The Sequential model

二、 函數式模型  the Keras functional 

主要關注函數式模型：

函數式模型用來構造比較複雜的模型 ，好比說有多個輸出的模型，有向非循環圖，或者有共享層的模型

入門例子：密集鏈接的網絡。可能這樣的網絡用Sequential模型實現起來更好，可是爲了入門，就先作這樣的一個簡單的網絡。

一、 每一個layer實例都是能夠調用的，它返回一個tensor

二、 輸入tensor和輸出tensor能夠用來定義一個Model

三、 函數式的模型也能夠像 Sequential模型同樣訓練。

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

生成的模型與layer同樣，也是能夠被調用的。

在函數式模型中，對一個模型的重用（reuse）是很簡單的。只要把這個模型當成一個layer，而後在tensor上調用它便可。

要注意的是：這樣調用的modle，不單單是它的結構被調用了，它權重也在被重用。

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

這樣的話，咱們就能夠快速的建立可以處理序列化的輸入的模型。好比說，咱們把一個圖片分類模型，應用到一個視頻分類模型中，只須要一行代碼便可

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)