Keras三种模型实现及它们之间的具体区别是什么？

本文共计3741个文字，预计阅读时间需要15分钟。

前言：Keras提供了三种定义模型的方式。一、序列式（Sequential）API：允许你逐层堆叠创建模型。虽然对于非常多的应用来说，这种方法很简单，但也解决了许多问题。

前言

一、keras提供了三种定义模型的方式

1. 序列式(Sequential) API

序贯(sequential)API允许你为大多数问题逐层堆叠创建模型。虽然说对很多的应用来说，这样的一个手法很简单也解决了很多深度学习网络结构的构建，但是它也有限制－它不允许你创建模型有共享层或有多个输入或输出的网络。

2. 函数式(Functional) API

Keras函数式(functional)API为构建网络模型提供了更为灵活的方式。

它允许你定义多个输入或输出模型以及共享图层的模型。除此之外，它允许你定义动态(ad-hoc)的非周期性(acyclic)网络图。

模型是通过创建层的实例(layer instances)并将它们直接相互连接成对来定义的，然后定义一个模型(model)来指定那些层是要作为这个模型的输入和输出。

3.子类(Subclassing) API

补充知识：keras pytorch 构建模型对比

使用CIFAR10数据集，用三种框架构建Residual_Network作为例子，比较框架间的异同。