Keras神经网络构建详解：序贯模型与函数式模型-优快云博客

本文链接：https://blog.youkuaiyun.com/Barry_J/article/details/99946457

本文介绍了Keras中的两种模型类型：序贯模型（Sequential）和函数式模型（Model）。序贯模型适用于单输入单输出，而函数式模型则允许多输入多输出和跨层连接。重点讲解了Dense、Dropout、Embedding、LSTM、Conv1D和Conv2D等核心层的用法，并提供了参考资料。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。
a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单
b）函数式模型（Model）：多输入多输出，层与层之间任意连接。这种模型编译速度慢。

Keras模块结构

keras搭建神经网络步骤

1.Dense

全连接层（对上一层的神经元进行全部连接，实现特征的非线性组合）,这个全连接层封装了output = activation(tf.matmul(input, kernel) + bias)这一线性变换+激活函数的计算操作，以及 kernel 和 bias 两个变量。当不指定激活函数时（即 activation(x) = x ），这个全连接层就等价于我们上述的线性变换。全连接层可能是我们编写模型时使用最频繁的层。

keras.layers.Dense(units, 
				  activation=None, 
				  use_bias=True, 
				  kernel_initializer='glorot_uniform', 
				  bias_initializer='zeros', 
				  kernel_regularizer=None, 
				  bias_regularizer=None, 
			      activity_regularizer=None, 
				  kernel_constraint=None, 
				  bias_constraint=None)

参数说明如下：
units:该层有几个神经元，代表该层的输出维度
activation:该层使用的激活函数
use_bias:是否添加偏置项
kernel_initializer:权重初始化方法
bias_initializer:偏置值初始化方法
kernel_regularizer:权重规范化函数
bias_regularizer:偏置值规范化方法
activity_regularizer:输出的规范化方法
kernel_constraint:权重变化限制函数
bias_constraint:偏置值变化限制函数

2.Dropout

为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（rate）的输入神经元，Dropout层用于防止过拟合。

keras.layers.Dropout(rate, noise_shape=None, seed=None)
参数
rate：0~1的浮点数，控制需要断开的神经元的比例

noise_shape：整数张量，为将要应用在输入上的二值Dropout mask的shape，例如你的输入为(batch_size, timesteps, features)，并且你希望在各个时间步上的Dropout mask都相同，则可传入noise_shape=(batch_size, 1, features)。

seed：整数࿰