keras Model 1 入门篇

1 入门

2 多个输入和输出

3 共享层

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)