深度学习——keras中的Sequential和Functional API

大家好，上期推文介绍了Keras的一些特点和一些基本的知识点，不知道大家在平时的时间有没有自己学习一下深度学习相关的知识，或者机器学习相关的知识呢？有这些的预备知识对于学这个专题还是有帮助的。

本期内容我们先来聊一聊Keras中模型的种类，也就是来聊聊Sequential模型与Functional模型，即序贯模型和函数式模型，我们一个个来看。

 

一、Sequential模型

神经网络模型是一种将信息朝着某一个方向进行传递的模型，方向性的传递形式就很适合以一种顺序(序贯)的数据结构来进行表示，有一种“一条路走到黑”的感觉。在工程项目中使用序贯模型可以解决很多的实际需求,它的主要特点如下：

1. 简单的线性结构

2. 从开始到结束的结构顺序

3. 没有分叉结构

4. 多个网络层(输入层，隐层，激活层等等)的线性堆叠

不要觉得它简单功能就不强大，要知道全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等网络都可以使用Sequential Model来进行构建。其构建

模型通常分为五个步骤： 1.定义模型 2.定义优化目标 3.输入数据 4.训练模型 5.评估模型的性能

这里要提醒的是，大家在学习Keras中的时候要有层(layers)的概念。如卷积层，池化层，全连接层，LSTM层等等。在Keras中我们构建模型可以直接使用这些层来构建一个目标神经网络。接下来我们简单的来说说这几个步骤：

 

1.1 定义模型

可以通过向Sequential模型传递一个层的列表来构造该模型：

from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
                   Dense(32,  input_shape=(784,)),
                   Activation('relu'),
                   Dense(10),
                   Activation('softmax'),
               ])

上述代码是使用层的列表来构建Sequential模型的，其中堆