上文说到使用堆叠模型构建一个简单的网络，但是tf.keras.Sequential 模型是层的简单堆叠，有很多模型中间有各种各样的连接方式。这就需要使用 Keras 函数式 API ，可以构建复杂的模型拓扑，例如：同一个层被多次调用、残差连接等，同时还可以使模型子类化，构建更加复杂的模型。
一. 函数式API
使用函数式API的模型，层实例可调用并返回张量，训练方式和 Sequential 模型一样。
Step1：使用函数式API搭建四层网络
input = tf.keras.Input(shape=(100, ))
hidden1 = layers.Dense(64, activation='relu')(input)
hidden2 = layers.Dense(64, activation='relu')(hidden1)
hidden3 = layers.Dense(64, activation='relu')(hidden2)
pred = layers.Dense(10, activation='softmax')(hidden3)
model = tf.keras.Model(inputs=input, outputs=pred) #定义好输入输出Step2：设置训练流程
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=['accuracy'])Step3：制作数据集
train_x = np.random.random((1000, 100))
train_y = np.random.random((1000, 10))
val_x = np.random.random((200, 100))
val_y = np.random.random((200, 10))
Step4：训练
model.fit(train_x, train_y, epochs=10, batch_size=100,
validation_data=(val_x, val_y))
二. 模型子类化
可以通过tf.keras.Model对模型子类化，在init方法中创建需要用的层实例，然后在call方法中定义前向传播。
Step1：模型设置
class MyModel(tf.keras.Model):
def __init__(self, num_classes=10):
super(MyModel, self).__init__(name='my_model')
self.num_classes = num_classes
self.layer1 = layers.Dense(32, activation='relu')
self.layer2 = layers.Dense(num_classes, activation='softmax')
def call(self, inputs):
h1 = self.layer1(inputs)
out = self.layer2(h1)
return out
model = MyModel(num_classes=10)Step2：设置训练流程（同上）
Step3：制作数据集（同上）
扫描二维码关注公众号，回复：
10878499 查看本文章
Step4：训练（同上）
三. 自定义层
通过对 tf.keras.layers.Layer 进行子类化并实现以下方法来创建自定义层：
build：创建层的权重。使用 add_weight 方法添加权重。
call：定义前向传播。
compute_output_shape：指定在给定输入形状的情况下如何计算层的输出形状。 或者，可以通过实现 get_config 方法和from_config 类方法序列化层。
class MyLayer(layers.Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
shape = tf.TensorShape((input_shape[1], self.output_dim))
self.kernel = self.add_weight(name='kernel1', shape=shape,
initializer='uniform', trainable=True)
super(MyLayer, self).build(input_shape)
def call(self, inputs):
return tf.matmul(inputs, self.kernel)
def compute_output_shape(self, input_shape):
shape = tf.TensorShape(input_shape).as_list()
shape[-1] = self.output_dim
return tf.TensorShape(shape)
def get_config(self):
base_config = super(MyLayer, self).get_config()
base_config['output_dim'] = self.output_dim
return base_config
@classmethod
def from_config(cls, config):
return cls(**config)
model = tf.keras.Sequential(
[
MyLayer(10),
layers.Activation('softmax')
])Step2：设置训练流程（同上）
Step3：制作数据集（同上）
Step4：训练（同上）
四. 回调（保存训练信息）
Step1：训练之前添加callback设置
callbacks = [
tf.keras.callbacks.EarlyStopping(patience=2, monitor='val_loss'),
tf.keras.callbacks.TensorBoard(log_dir='./logs')
]
Step2：训练
model.fit(train_x, train_y, batch_size=16, epochs=5,
callbacks=callbacks, validation_data=(val_x, val_y))
