如何将 keras 顺序 API 转换为函数式 API

Question

我是深度学习的新手，我正在尝试将此顺序 API 转换为 CIFAR 10 数据集上的函数式 API 至运行。下面是顺序 API:

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu')

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

这是我尝试将其转换为函数 API:

model_input = Input(shape=input_shape)

x = Conv2D(32, (3, 3), activation='relu',padding='valid')(model_input)
x = MaxPooling2D((2,2))(x)
x = Conv2D(32, (3, 3), activation='relu')(x)
x = MaxPooling2D((2,2))(x)
x = Conv2D(32, (3, 3))(x)

x = GlobalAveragePooling2D()(x)
x = Activation(activation='softmax')(x)

model = Model(model_input, x, name='nin_cnn')

x = layers.Flatten()
x = layers.Dense(64, activation='relu')
x = layers.Dense(10)

这里是编译和训练代码：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

原始序列 API 的精度为 0.7175999879837036，而泛函 API 的精度为 0.0502999983727932。不确定我在重写代码时出了什么问题，任何帮助将不胜感激。谢谢。

Answer 1

你的两个型号不一样。第二个和第三个卷积层分别有 64 个单元和 32 个单元用于示例代码中的顺序模型和功能模型。而且您没有在您的功能模型中包含全连接层（您仅在构建模型后才创建这些层）。

以后如果有疑问，可以尝试做

model.summary()

并比较模型是否相同。

Answer 2

除了@adrtam 提到的内容，我想再补充一些，因为用户是初学者。

顺序模型和函数模型之间有几个重要的区别。 Functional 和 Sequential 几乎相似，除了

所以Sequential是单输入单输出，layers可以added/stacked层层叠加。功能是更灵活的定制。因此，在某种程度上我们可以说顺序是功能模型的子集。

针对您的情况，
这是一个顺序模型

from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import models
input_shape=(32, 32, 3)
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

这是功能模型。

from tensorflow.keras import Model
from tensorflow.keras import layers
model_input = layers.Input(shape=input_shape)
x = layers.Conv2D(32, (3, 3), activation='relu',padding='valid')(model_input)
x = layers.MaxPooling2D((2,2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.MaxPooling2D((2,2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.Flatten()(x)
x = layers.Dense(64, activation='relu')(x)
x = layers.Dense(10)(x)

model2 = Model(model_input, x, name='nin_cnn')

如何将 keras 顺序 API 转换为函数式 API

How to convert keras sequential API to functional API

python

machine-learning

image-recognition

deep-learning

keras