TensorFlow模型语法

Question

我是神经网络和Tensorflow的新手

通常，当我们在TensorFlow中建立一个神经网络模型时，我们定义它的方式如下：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),

我最近提出了一个使用转移学习的代码，它以以下方式定义了模型：

x = layers.Flatten()(last_output)
x = layers.Dense(1024, activation='relu')(x)
x = layers.Dense(1,activation='sigmoid')(x) 

这里，last_output是迁移学习模型的输出。

有人能解释一下这与顺序法有何不同吗？另外，为什么在新层末尾的括号中给出了前一层的输出？

Answer 1

你所描述的两种方式都是正确的。让我们一步一步地看一看。

1. 第一个模型是使用这个API的Sequential API.The声明，如下所示。 tf.keras.Sequential( layers=None，name=None )

API将layers参数作为要添加到模型中的layers的列表。

因此，你展示的例子。

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu')])

在这里，顺序API将每一层叠加在另一层之上，并将它们连接起来。这个API自己管理，前一个层的输出就是下一个层的输入。它为我们提供了便利。

2.使用Functional API创建模型。您可以把它看作是调用一个层作为一个函数。您唯一需要做的额外工作是提供一个前一层作为下一层的输入。由于Functional不使用类似的列表，所以API知道输入来自哪个层的唯一方法是实际上提供前一个层作为参数。

所以以你为例。

x = layers.Flatten()(last_output)
x = layers.Dense(1024, activation='relu')(x)
x = layers.Dense(1,activation='sigmoid')(x) 

functional将知道层Flatten需要连接到last_output层。然后，下一个密集层将连接到Flatten层，因为x作为参数传递给它。我想你知道这个主意了。

还有一种创建模型的方法是对Model类进行子类化。您可以查看Functional API和子类Model类这里。