1. 从Sequential到函数式API:解锁Keras的进阶玩法
作为深度学习的核心工具之一,Keras的Sequential模型因其简单直观而广受欢迎。但当我们面对真实世界中的复杂问题时,这种线性堆叠的模型结构很快就会显得力不从心。想象一下这样的场景:你需要开发一个二手服装定价系统,这个系统需要同时处理商品元数据(品牌、使用年限)、用户描述文本和商品图片。这三种数据形态迥异,传统的Sequential模型根本无法直接处理。
这就是Keras函数式API大显身手的时候。与Sequential模型不同,函数式API允许我们创建具有多个输入和输出的模型,甚至可以在模型中构建复杂的拓扑结构。它的核心思想是将层视为可调用的对象,接收张量并返回张量。这种灵活性让我们能够像搭积木一样构建深度学习模型,实现各种复杂的网络架构。
提示:函数式API的关键在于理解层的调用机制。每个层实例都是一个可调用对象,它接收一个张量并返回一个新的张量。通过将这些调用链式组合,我们可以构建任意复杂的模型结构。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 函数式API的核心应用场景
2.1 多输入模型:融合异构数据源
多输入模型是函数式API最典型的应用之一。回到我们的二手服装定价例子,我们需要构建一个能同时处理三种数据类型的模型:
python复制from keras.layers import Input, Dense, Conv2D, LSTM, concatenate
# 定义元数据输入分支(品牌、使用年限等)
metadata_input = Input(shape=(metadata_dim,), name='metadata')
x1 = Dense(64, activation='relu')(metadata_input)
# 定义文本描述输入分支
text_input = Input(shape=(max_len,), name='text')
x2 = LSTM(32)(text_input)
# 定义图片输入分支
image_input = Input(shape=(height, width, channels), name='image')
x3 = Conv2D(32, (3, 3), activation='relu')(image_input)
x3 = Flatten()(x3)
# 合并三个分支
merged = concatenate([x1, x2, x3])
# 添加输出层
output = Dense(1, activation='linear')(merged)
# 创建模型
model = Model(inputs=[metadata_input, text_input, image_input], outputs=output)
这种架构的优势在于,模型能够学习不同类型数据之间的交互关系,而不是简单地对三个独立模型的预测结果进行平均。在实践中,这种联合学习通常能获得更好的性能,因为它允许网络在特征提取阶段就发现跨模态的相关性。
2.2 多输出模型:联合学习相关任务
多输出模型是另一个重要应用场景。考虑一个小说分析系统,我们希望同时预测小说的类别(如爱情、惊悚)和写作年代。这两个任务显然是相关的——某些类别的小说在不同年代有不同的流行程度。
python复制from keras.layers import Input, Dense, LSTM
# 共享的LSTM层
text_input = Input(shape=(max_len,), name='text')
x = LSTM(128)(text_input)
# 类别预测分支
genre_pred = Dense(num_genres,
