眾所周知，利用Keras-Python庫可以快速、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輸入和輸出定義更復(fù)雜的模型。

OK，讓我們開始吧。

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．標準網(wǎng)絡(luò)模型。

4．共享層模型。

5．多個輸入和輸出模型。

6．最佳練習(xí)。

Keras提供了一個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類的實例，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不同輸入源的模型，因為那樣會產(chǎn)生多個輸出目標。

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的非循環(huán)網(wǎng)絡(luò)圖。

模型通過創(chuàng)建層的實例并將它們直接彼此成對連接來定義，然后定義一個模型，該模型的指定層作為模型的輸入和輸出。

我們來看看Keras功能API的三個獨特方面：

2.1定義輸入

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

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

當(dāng)輸入數(shù)據(jù)為一維時，例如對于多層感知器，該模型必須明確留出在訓(xùn)練網(wǎng)絡(luò)分割數(shù)據(jù)時所使用的小批量大小的形狀。因此，模型元組始終以掛起的最后一維（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連接，這是通過在定義每個新圖層時指定輸入來自哪里。使用括號符號，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的圖層。

讓我們用一個簡單的例子來說明這一點。我們可以創(chuàng)建如上所述的輸入層，然后創(chuàng)建一個隱藏層，作為僅從輸入層接收輸入的密集層。

正是通過這種連接層的方法，使功能API更具有靈活性。你可以看到開始定義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，接下來必須定義模型。與Sequential API一樣，該模型是你可以概述、擬合、評估和使用做出預(yù)測。

Keras提供了一個Model類，你可以使用它從創(chuàng)建的圖層時創(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，我們通過定義一套不同的模型實踐一下我們的學(xué)習(xí)成果。

以下每個示例都是可執(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，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定義自己的模型時提供了模板。

當(dāng)開始使用功能API時，最好先了解一些關(guān)于標準神經(jīng)網(wǎng)絡(luò)模型的定義。在本節(jié)中，我們將介紹定義一個簡單的多層感知器，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制分類定義了一個多層Perceptron模型。該模型有10個輸入，3個隱藏層，10個神經(jīng)元，輸出層有1個輸出。在每個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)進行二進制分類。

運行示例打印網(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，我們將定義一個用于圖像分類的卷積神經(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解釋特征，并且輸出層是具有S形激活函數(shù)。

運行示例：

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LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)用于序列分類。

該模型是100個時間步長作為輸入，該模型具有單個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，隨后是用于進行二進制預(yù)測的輸出層。

運行示例總結(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，可能存在來自輸入的多個不同的特征提取層，或者用于解釋特征提取層輸出的多個層。

我們來看看這兩個例子。

4.1共享輸入層

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

該模型輸入采用大小為64×64像素的黑白圖像。有兩個CNN特征提取子模型共享該輸入：第一個內(nèi)核大小為4，第二個內(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，并連接成一個長向量，并傳遞到完全連接的層，以便在最終輸出層之前進行二進制分類。

運行示例總結(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，我們使用兩個并行子模型解釋LSTM特征提取器的輸出以進行序列分類。

模型的輸入是一個特征為100的時間步長，具有10個存儲單元的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。兩個解釋模型的輸出都被連接成一個長向量，傳遞給用于進行二進制預(yù)測的輸出層。

運行示例總結(jié)模型層。

模型圖被創(chuàng)建并保存到文件。

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

我們將在本節(jié)中查看每個示例。

5.1多輸入模型

我們將開發(fā)一個圖像分類模型，它將兩個版本的圖像作為輸入，每個版本的大小不同。具體是黑白64×64版，彩色32×32版。單獨的特征提取CNN模型在每個模型上運行，然后將兩個模型的結(jié)果連接起來進行解釋和最終預(yù)測。

請注意，在創(chuàng)建Model（）實例時，我們將兩個輸入圖層定義為數(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，我們將開發(fā)出一種可以進行兩種不同類型預(yù)測的模型。給定一個特征的100個時間步長的輸入序列，該模型將對序列進行分類并輸出具有相同長度的新序列。

LSTM層解釋輸入序列，并返回每個時間步長的隱藏狀態(tài)。第一個輸出模型創(chuàng)建一個堆棧的LSTM，解釋特征，并進行二進制預(yù)測。第二個輸出模型使用相同的輸出層對每個輸入時間步長進行實值預(yù)測。

運行示例。

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充分利用功能性API。

1. 一致的變量名。對輸入（可見）和輸出層（輸出）使用相同的變量名稱，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。

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和繪圖時使用的圖層分配名稱。例如：Dense（1，name ='hidden1'）。

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

作者信息

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

本文由北郵@愛可可-愛生活老師推薦，阿里云云棲社區(qū)組織翻譯。

文章原標題《keras-functional-api-deep-learning》