【Tensorflow2.0】keras.models.Sequential() 和Model()模块

最新推荐文章于 2025-10-11 08:59:00 发布

原创

最新推荐文章于 2025-10-11 08:59:00 发布 · 4.3k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #keras #深度学习

文章介绍了在Tensorflow和Keras中，如何使用Sequential模型和Model类来构建深度学习网络。Sequential模型适用于简单的层堆叠，而Model类则支持更复杂的拓扑结构，如多输入多输出的网络。Model通过定义输入和输出张量来构建网络，而继承自Model的类允许自定义网络行为，类似于Pytorch中的forward函数。

1 功能

在读tensorflow代码时经常看到使用Model定义模型，这与在Pytorch中经常使用的使用继承模型有区别，所以这里就记录一下。
在Keras中有两种深度学习的模型：序列模型（Sequential）和通用模型（Model）。差异在于不同的拓扑结构。
在序列模型中，就如同Pytorch中的用法一样，看下面代码：

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

# 或者逐层添加网络结构，代码如下：
from keras.models import Sequential
from keras.layers import Dense, Activation
 
model = Sequential()
model.add(Dense(32, input_shape = (784,)))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))