开始使用 Keras 函数式 API

Keras 函数式 API 是定义复杂模型（如多输出模型、有向无环图，或具有共享层的模型）的方法。

这部分文档假设你已经对 Sequential 顺序模型比较熟悉。

让我们先从一些简单的例子开始。

例一：全连接网络

Sequential 模型可能是实现这种网络的一个更好选择，但这个例子能够帮助我们进行一些简单的理解。

  • 网络层的实例是可调用的，它以张量为参数，并且返回一个张量
  • 输入和输出均为张量，它们都可以用来定义一个模型（Model）
  • 这样的模型同 Keras 的 Sequential 模型一样，都可以被训练
  1. from keras.layers import Input, Dense
  2. from keras.models import Model
  4. # 这部分返回一个张量
  5. inputs = Input(shape=(784,))
  7. # 层的实例是可调用的，它以张量为参数，并且返回一个张量
  8. x = Dense(64, activation='relu')(inputs)
  9. x = Dense(64, activation='relu')(x)
  10. predictions = Dense(10, activation='softmax')(x)
  12. # 这部分创建了一个包含输入层和三个全连接层的模型
  13. model = Model(inputs=inputs, outputs=predictions)
  14. model.compile(optimizer='rmsprop',
  15.               loss='categorical_crossentropy',
  16.               metrics=['accuracy'])
  17. model.fit(data, labels)  # 开始训练

所有的模型都可调用，就像网络层一样

利用函数式 API，可以轻易地重用训练好的模型：可以将任何模型看作是一个层，然后通过传递一个张量来调用它。注意，在调用模型时，您不仅重用模型的结构，还重用了它的权重。

  1. x = Input(shape=(784,))
  2. # 这是可行的，并且返回上面定义的 10-way softmax。
  3. y = model(x)

这种方式能允许我们快速创建可以处理序列输入的模型。只需一行代码，你就将图像分类模型转换为视频分类模型。

  1. from keras.layers import TimeDistributed
  3. # 输入张量是 20 个时间步的序列，每一个时间为一个 784 维的向量
  4. input_sequences = Input(shape=(20, 784))
  6. # 这部分将我们之前定义的模型应用于输入序列中的每个时间步。
  7. # 之前定义的模型的输出是一个 10-way softmax，
  8. # 因而下面的层的输出将是维度为 10 的 20 个向量的序列。
  9. processed_sequences = TimeDistributed(model)(input_sequences)

多输入多输出模型

以下是函数式 API 的一个很好的例子：具有多个输入和输出的模型。函数式 API 使处理大量交织的数据流变得容易。

来考虑下面的模型。我们试图预测 Twitter 上的一条新闻标题有多少转发和点赞数。模型的主要输入将是新闻标题本身，即一系列词语，但是为了增添趣味，我们的模型还添加了其他的辅助输入来接收额外的数据，例如新闻标题的发布的时间等。
该模型也将通过两个损失函数进行监督学习。较早地在模型中使用主损失函数，是深度学习模型的一个良好正则方法。

模型结构如下图所示：

multi-input-multi-output-graph

让我们用函数式 API 来实现它。

主要输入接收新闻标题本身，即一个整数序列（每个整数编码一个词）。
这些整数在 1 到 10,000 之间（10,000 个词的词汇表），且序列长度为 100 个词。

  1. from keras.layers import Input, Embedding, LSTM, Dense
  2. from keras.models import Model
  4. # 标题输入：接收一个含有 100 个整数的序列，每个整数在 1 到 10000 之间。
  5. # 注意我们可以通过传递一个 `name` 参数来命名任何层。
  6. main_input = Input(shape=(100,), dtype='int32', name='main_input')
  8. # Embedding 层将输入序列编码为一个稠密向量的序列，每个向量维度为 512。
  9. x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
  11. # LSTM 层把向量序列转换成单个向量，它包含整个序列的上下文信息
  12. lstm_out = LSTM(32)(x)

在这里，我们插入辅助损失，使得即使在模型主损失很高的情况下，LSTM 层和 Embedding 层都能被平稳地训练。

  1. auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

此时，我们将辅助输入数据与 LSTM 层的输出连接起来，输入到模型中：

  1. auxiliary_input = Input(shape=(5,), name='aux_input')
  2. x = keras.layers.concatenate([lstm_out, auxiliary_input])
  4. # 堆叠多个全连接网络层
  5. x = Dense(64, activation='relu')(x)
  6. x = Dense(64, activation='relu')(x)
  7. x = Dense(64, activation='relu')(x)
  9. # 最后添加主要的逻辑回归层
  10. main_output = Dense(1, activation='sigmoid', name='main_output')(x)

然后定义一个具有两个输入和两个输出的模型：

  1. model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

现在编译模型，并给辅助损失分配一个 0.2 的权重。如果要为不同的输出指定不同的 loss_weights 或 loss，可以使用列表或字典。
在这里，我们给 loss 参数传递单个损失函数，这个损失将用于所有的输出。

  1. model.compile(optimizer='rmsprop', loss='binary_crossentropy',
  2.               loss_weights=[1., 0.2])

我们可以通过传递输入数组和目标数组的列表来训练模型：

  1. model.fit([headline_data, additional_data], [labels, labels],
  2.           epochs=50, batch_size=32)

由于输入和输出均被命名了（在定义时传递了一个 name 参数），我们也可以通过以下方式编译模型：

  1. model.compile(optimizer='rmsprop',
  2.               loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
  3.               loss_weights={'main_output': 1., 'aux_output': 0.2})
  5. # 然后使用以下方式训练：
  6. model.fit({'main_input': headline_data, 'aux_input': additional_data},
  7.           {'main_output': labels, 'aux_output': labels},
  8.           epochs=50, batch_size=32)

共享网络层

函数式 API 的另一个用途是使用共享网络层的模型。我们来看看共享层。

来考虑推特推文数据集。我们想要建立一个模型来分辨两条推文是否来自同一个人（例如，通过推文的相似性来对用户进行比较）。

实现这个目标的一种方法是建立一个模型，将两条推文编码成两个向量，连接向量，然后添加逻辑回归层；这将输出两条推文来自同一作者的概率。模型将接收一对对正负表示的推特数据。

由于这个问题是对称的，编码第一条推文的机制应该被完全重用来编码第二条推文。这里我们使用一个共享的 LSTM 层来编码推文。

让我们使用函数式 API 来构建它。首先我们将一条推特转换为一个尺寸为 (140, 256) 的矩阵，即每条推特 140 字符，每个字符为 256 维的 one-hot 编码 （取 256 个常用字符）。

  1. import keras
  2. from keras.layers import Input, LSTM, Dense
  3. from keras.models import Model
  5. tweet_a = Input(shape=(140, 256))
  6. tweet_b = Input(shape=(140, 256))

要在不同的输入上共享同一个层，只需实例化该层一次，然后根据需要传入你想要的输入即可：

  1. # 这一层可以输入一个矩阵，并返回一个 64 维的向量
  2. shared_lstm = LSTM(64)
  4. # 当我们重用相同的图层实例多次，图层的权重也会被重用 (它其实就是同一层)
  5. encoded_a = shared_lstm(tweet_a)
  6. encoded_b = shared_lstm(tweet_b)
  8. # 然后再连接两个向量：
  9. merged_vector = keras.layers.concatenate([encoded_a, encoded_b], axis=-1)
  11. # 再在上面添加一个逻辑回归层
  12. predictions = Dense(1, activation='sigmoid')(merged_vector)
  14. # 定义一个连接推特输入和预测的可训练的模型
  15. model = Model(inputs=[tweet_a, tweet_b], outputs=predictions)
  17. model.compile(optimizer='rmsprop',
  18.               loss='binary_crossentropy',
  19.               metrics=['accuracy'])
  20. model.fit([data_a, data_b], labels, epochs=10)

让我们暂停一会，看看如何读取共享层的输出或输出尺寸。

层「节点」的概念

每当你在某个输入上调用一个层时，都将创建一个新的张量（层的输出），并且为该层添加一个「节点」，将输入张量连接到输出张量。当多次调用同一个图层时，该图层将拥有多个节点索引 (0, 1, 2…)。

在之前版本的 Keras 中，可以通过 layer.get_output() 来获得层实例的输出张量，或者通过 layer.output_shape 来获取其输出形状。现在你依然可以这么做（除了 get_output() 已经被 output 属性替代）。但是如果一个层与多个输入连接呢？

只要一个层只连接到一个输入，就不会有困惑，.output 会返回层的唯一输出：

  1. a = Input(shape=(140, 256))
  3. lstm = LSTM(32)
  4. encoded_a = lstm(a)
  6. assert lstm.output == encoded_a

但是如果该层有多个输入，那就会出现问题：

  1. a = Input(shape=(140, 256))
  2. b = Input(shape=(140, 256))
  4. lstm = LSTM(32)
  5. encoded_a = lstm(a)
  6. encoded_b = lstm(b)
  8. lstm.output
  1. >> AttributeError: Layer lstm_1 has multiple inbound nodes,
  2. hence the notion of "layer output" is ill-defined.
  3. Use `get_output_at(node_index)` instead.

好吧，通过下面的方法可以解决：

  1. assert lstm.get_output_at(0) == encoded_a
  2. assert lstm.get_output_at(1) == encoded_b

够简单，对吧？

input_shape 和 output_shape 这两个属性也是如此：只要该层只有一个节点，或者只要所有节点具有相同的输入/输出尺寸，那么「层输出/输入尺寸」的概念就被很好地定义，并且将由 layer.output_shape / layer.input_shape 返回。但是比如说，如果将一个 Conv2D 层先应用于尺寸为 (32，32，3) 的输入，再应用于尺寸为 (64, 64, 3) 的输入，那么这个层就会有多个输入/输出尺寸，你将不得不通过指定它们所属节点的索引来获取它们：

  1. a = Input(shape=(32, 32, 3))
  2. b = Input(shape=(64, 64, 3))
  4. conv = Conv2D(16, (3, 3), padding='same')
  5. conved_a = conv(a)
  7. # 到目前为止只有一个输入，以下可行：
  8. assert conv.input_shape == (None, 32, 32, 3)
  10. conved_b = conv(b)
  11. # 现在 `.input_shape` 属性不可行，但是这样可以：
  12. assert conv.get_input_shape_at(0) == (None, 32, 32, 3)
  13. assert conv.get_input_shape_at(1) == (None, 64, 64, 3)

更多的例子

代码示例仍然是起步的最佳方式，所以这里还有更多的例子。

Inception 模型

有关 Inception 结构的更多信息，请参阅 Going Deeper with Convolutions。

  1. from keras.layers import Conv2D, MaxPooling2D, Input
  3. input_img = Input(shape=(256, 256, 3))
  5. tower_1 = Conv2D(64, (1, 1), padding='same', activation='relu')(input_img)
  6. tower_1 = Conv2D(64, (3, 3), padding='same', activation='relu')(tower_1)
  8. tower_2 = Conv2D(64, (1, 1), padding='same', activation='relu')(input_img)
  9. tower_2 = Conv2D(64, (5, 5), padding='same', activation='relu')(tower_2)
  11. tower_3 = MaxPooling2D((3, 3), strides=(1, 1), padding='same')(input_img)
  12. tower_3 = Conv2D(64, (1, 1), padding='same', activation='relu')(tower_3)
  14. output = keras.layers.concatenate([tower_1, tower_2, tower_3], axis=1)

卷积层上的残差连接

有关残差网络 (Residual Network) 的更多信息，请参阅 Deep Residual Learning for Image Recognition。

  1. from keras.layers import Conv2D, Input
  3. # 输入张量为 3 通道 256x256 图像
  4. x = Input(shape=(256, 256, 3))
  5. # 3 输出通道（与输入通道相同）的 3x3 卷积核
  6. y = Conv2D(3, (3, 3), padding='same')(x)
  7. # 返回 x + y
  8. z = keras.layers.add([x, y])

共享视觉模型

该模型在两个输入上重复使用同一个图像处理模块，以判断两个 MNIST 数字是否为相同的数字。

  1. from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten
  2. from keras.models import Model
  4. # 首先，定义视觉模型
  5. digit_input = Input(shape=(27, 27, 1))
  6. x = Conv2D(64, (3, 3))(digit_input)
  7. x = Conv2D(64, (3, 3))(x)
  8. x = MaxPooling2D((2, 2))(x)
  9. out = Flatten()(x)
  11. vision_model = Model(digit_input, out)
  13. # 然后，定义区分数字的模型
  14. digit_a = Input(shape=(27, 27, 1))
  15. digit_b = Input(shape=(27, 27, 1))
  17. # 视觉模型将被共享，包括权重和其他所有
  18. out_a = vision_model(digit_a)
  19. out_b = vision_model(digit_b)
  21. concatenated = keras.layers.concatenate([out_a, out_b])
  22. out = Dense(1, activation='sigmoid')(concatenated)
  24. classification_model = Model([digit_a, digit_b], out)

视觉问答模型

当被问及关于图片的自然语言问题时，该模型可以选择正确的单词作答。

它通过将问题和图像编码成向量，然后连接两者，在上面训练一个逻辑回归，来从词汇表中挑选一个可能的单词作答。

  1. from keras.layers import Conv2D, MaxPooling2D, Flatten
  2. from keras.layers import Input, LSTM, Embedding, Dense
  3. from keras.models import Model, Sequential
  5. # 首先，让我们用 Sequential 来定义一个视觉模型。
  6. # 这个模型会把一张图像编码为向量。
  7. vision_model = Sequential()
  8. vision_model.add(Conv2D(64, (3, 3), activation='relu', padding='same', input_shape=(224, 224, 3)))
  9. vision_model.add(Conv2D(64, (3, 3), activation='relu'))
  10. vision_model.add(MaxPooling2D((2, 2)))
  11. vision_model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
  12. vision_model.add(Conv2D(128, (3, 3), activation='relu'))
  13. vision_model.add(MaxPooling2D((2, 2)))
  14. vision_model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
  15. vision_model.add(Conv2D(256, (3, 3), activation='relu'))
  16. vision_model.add(Conv2D(256, (3, 3), activation='relu'))
  17. vision_model.add(MaxPooling2D((2, 2)))
  18. vision_model.add(Flatten())
  20. # 现在让我们用视觉模型来得到一个输出张量：
  21. image_input = Input(shape=(224, 224, 3))
  22. encoded_image = vision_model(image_input)
  24. # 接下来，定义一个语言模型来将问题编码成一个向量。
  25. # 每个问题最长 100 个词，词的索引从 1 到 9999.
  26. question_input = Input(shape=(100,), dtype='int32')
  27. embedded_question = Embedding(input_dim=10000, output_dim=256, input_length=100)(question_input)
  28. encoded_question = LSTM(256)(embedded_question)
  30. # 连接问题向量和图像向量：
  31. merged = keras.layers.concatenate([encoded_question, encoded_image])
  33. # 然后在上面训练一个 1000 词的逻辑回归模型：
  34. output = Dense(1000, activation='softmax')(merged)
  36. # 最终模型：
  37. vqa_model = Model(inputs=[image_input, question_input], outputs=output)
  39. # 下一步就是在真实数据上训练模型。

视频问答模型

现在我们已经训练了图像问答模型，我们可以很快地将它转换为视频问答模型。在适当的训练下，你可以给它展示一小段视频（例如 100 帧的人体动作），然后问它一个关于这段视频的问题（例如，「这个人在做什么运动？」 -> 「足球」）。

  1. from keras.layers import TimeDistributed
  3. video_input = Input(shape=(100, 224, 224, 3))
  4. # 这是基于之前定义的视觉模型（权重被重用）构建的视频编码
  5. encoded_frame_sequence = TimeDistributed(vision_model)(video_input)  # 输出为向量的序列
  6. encoded_video = LSTM(256)(encoded_frame_sequence)  # 输出为一个向量
  8. # 这是问题编码器的模型级表示，重复使用与之前相同的权重：
  9. question_encoder = Model(inputs=question_input, outputs=encoded_question)
  11. # 让我们用它来编码这个问题：
  12. video_question_input = Input(shape=(100,), dtype='int32')
  13. encoded_video_question = question_encoder(video_question_input)
  15. # 这就是我们的视频问答模式：
  16. merged = keras.layers.concatenate([encoded_video, encoded_video_question])
  17. output = Dense(1000, activation='softmax')(merged)
  18. video_qa_model = Model(inputs=[video_input, video_question_input], outputs=output)