深度残差网络（ResNet）

0. 前言

在本节中，我们将深入研究深度神经网络，这些网络在复杂数据集上展现了卓越的分类准确率。ResNet 引入了残差学习的概念，使残差学习能够通过解决深度卷积网络中消失的梯度问题来构建非常深的网络。
虽然本节重点在于深度神经网络，但我们将首先探讨 Keras 的一个重要特性——函数式 API。作为 tf.keras 中构建网络的另一种方法，该 API 能够帮助我们构建顺序模型 API 无法实现的复杂网络结构。

1. 函数式 API

函数式 API 遵循以下两个概念：

• 层是接受张量作为参数的实例。为了构建模型，层实例是通过输入和输出张量彼此链接的对象，使用层实例会使模型更容易具有多个输入和输出，因为每个层的输入/输出将很容易访问
• 模型是一个或多个输入张量和输出张量之间的函数。在模型输入和输出之间，张量是通过层输入和输出张量彼此链接的层实例。因此，模型是一个或多个输入层和一个或多个输出层的函数。模型实例将数据从输入流到输出流的形式的计算图形式化

在函数式 API 中，一个具有 32 个卷积核的二维卷积层 Conv2D，x 是层输入张量，y 是层输出张量，可以写成：