sxl的博客

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。如果我们像实现一些更为复杂的网络，比如多输入多输出的模型就需要使用到keras.models.Model()来构建网络。如下代码同时输出最后卷积层Flatten后提取的特征层，以及分类结构。

其实很简单，GlorotUniform初始化等同于Pytorch中的Xavier均匀初始化器！

shape：一个表示张量的维度的元组。不包含batch size信息。例如，shape=(32，)表示输入的将是一批32维的向量。注意，即使在初始化中只使用不含batch size信息的shape参数，函数最终的输出也会默认加上值为None的batch size信息，例如，初始化Input(shape=(None, None, 3))，则最终返回的tensor为(None, None, None, 3)，第一个None就是batch size信息。作用：初始化深度学习网络输入层的tensor。

Dense层就是全连接层，对于层方式的初始化的时候，layers.Dense(units,activation)函数一般只需要指定输出节点数Units和激活函数类型即可。输入节点数将根据第一次运算时输入的shape确定，同时输入、输出节点自动创建并初始化权值w和偏置向量b。由于本人是Pytorch用户，对Tensorflow不是很熟悉，在读到用tf写的代码时就很是麻烦。W 是权重函数, Dense() 会随机给 W 一个初始值。use_bias=True, 是否使用b 直线 y=ax+b 中的 b。