用Keras定義網路模型有兩種方式，

• Sequential 順序模型
• Keras 函式式 API模型

之前我們介紹了Sequential順序模型，今天我們來接觸一下 Keras 的函式式API模型。

例一：全連線網路

from keras.layers import Input, Dense
from keras.models import Model

# 這部分返回一個張量
inputs = Input(shape=(784,))

# 層的例項是可呼叫的，它以張量為引數，並且返回一個張量
x = Dense(64, activation='relu
 
')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

# 這部分建立了一個包含輸入層和三個全連線層的模型
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(data, labels)  
 
# 開始訓練

多輸入多輸出模型

主要負責用函式式API來實現它

主要輸入接收新聞標題本身，即一個整數序列(每個證書編碼一個詞)，這些整數在1到10000之間(10000個詞的詞彙表)，且序列長度為100個詞

from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Model

# 標題輸入：接收一個含有 100 個整數的序列，每個整數在 1 到 10000 之間。
# 注意我們可以通過傳遞一個 "name" 引數來命名任何層。
main_input = Input(shape=(100,), dtype='
 
int32', name='main_input')

# Embedding 層將輸入序列編碼為一個稠密向量的序列，
# 每個向量維度為 512。
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

# LSTM 層把向量序列轉換成單個向量，
# 它包含整個序列的上下文資訊
lstm_out = LSTM(32)(x)

在這裡，我們插入輔助損失，即使在模型主損失很高的情況下，LSTM層和Embedding層都能被平穩地訓練。

auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

此時，我們將輔助輸入資料與 LSTM 層的輸出連線起來，輸入到模型中：

auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_input])

# 堆疊多個全連線網路層
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# 最後新增主要的邏輯迴歸層
main_output = Dense(1, activation='sigmoid', name='main_output')(x)

然後定義一個具有兩個輸入和兩個輸出的模型：

model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

現在編譯模型，並給輔助損失分配一個 0.2 的權重。如果要為不同的輸出指定不同的 loss_weights 或 loss，可以使用列表或字典。 在這裡，我們給 loss 引數傳遞單個損失函式，這個損失將用於所有的輸出。

model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[1., 0.2])

我們可以通過輸入陣列和目標陣列的列表來訓練模型：

model.fit([headline_data, additional_data], [labels, labels],
          epochs=50, batch_size=32)

由於輸入和輸出均被命名了（在定義時傳遞了一個 name 引數），我們也可以通過以下方式編譯模型：

model.compile(optimizer='rmsprop',
              loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
              loss_weights={'main_output': 1., 'aux_output': 0.2})

# 然後使用以下方式訓練：
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': labels, 'aux_output': labels},
          epochs=50, batch_size=32)

共享網路層

函式API的另一個用途是使用共享網路層的模型。

比如我們想建立一個模型來分辨兩條推文是否來自同一個人，實現這個目標的方法是：將兩條推文編碼層兩個向量，連線向量，然後新增邏輯迴歸層；這將輸出推文來自通一個作者的概率。模型將接受一對對正負表示的推特資料。

太難了，我理解不了。以後這條部落格慢慢更新。