Keras 工作流程详解：从入门到精通的三种建模方法

Keras API 采用渐进式呈现复杂性的设计原则：既易于上手，又能处理复杂用例。无论你是初学者还是专家，都可以使用相同的工具，只是使用方式不同。

构建Keras 模型的三种方法

Keras 提供了三种构建模型的方法，满足不同层次的需求：

• 序贯模型：最简单的API，仅限于层的简单堆叠
• 函数式 API：最常用的API，在可用性和灵活性之间找到平衡
• 模型子类化：最底层的选项，提供完全的控制权

一、序贯模型：最简单的方法

基本用法

from tensorflow import keras
from tensorflow.keras import layers

# 方法1：直接传入层列表
model = keras.Sequential([
    layers.Dense(64, activation="relu"),
    layers.Dense(10, activation="softmax")
])

# 方法2：逐步添加层
model = keras.Sequential()
model.add(layers.Dense(64, activation="relu"))
model.add(layers.Dense(10, activation="softmax"))

重要特性：延迟构建

Keras 模型在第一次调用时才会构建权重：

# 初始时模型没有权重
model.weights  # 返回空列表

# 第一次调用后构建权重
import numpy as np
x = np.random.random((1, 3))
y = model(x)
print(model.weights)  # 现在有权重了

提前声明输入形状

model = keras.Sequential()
model.add(keras.Input(shape=(3,)))  # 提前声明输入形状
model.add(layers.Dense(64, activation="relu"))
model.add(layers.Dense(10, activation="softmax"))

# 现在可以随时查看模型概述
model.summary()

二、函数式API：最常用的方法

函数式API 就像拼乐高积木，可以构建复杂的模型结构。

简单示例

# 定义输入
inputs = keras.Input(shape=(3,), name="my_input")

# 通过调用层来构建网络
features = layers.Dense(64, activation="relu")(inputs)
outputs = layers.Dense(10, activation="softmax")(features)

# 创建模型
model = keras.Model(inputs=inputs, outputs=outputs)

多输入、多输出模型

函数式API 的真正威力在于构建复杂模型：

# 定义三个输入
title = keras.Input(shape=(10000,), name="title")  # 工单标题
text_body = keras.Input(shape=(10000,), name="text_body")  # 工单正文
tags = keras.Input(shape=(100,), name="tags")  # 用户标签

# 特征处理
title_features = layers.Dense(64, activation="relu")(title)
text_body_features = layers.Dense(64, activation="relu")(text_body)

# 合并特征
features = layers.concatenate([title_features, text_body_features, tags])

# 定义两个输出
priority = layers.Dense(1, activation="sigmoid", name="priority")(features)  # 优先级分数
department = layers.Dense(4, activation="softmax", name="department")(features)  # 部门分类

# 创建多输入多输出模型
model = keras.Model(
    inputs=[title, text_body, tags],
    outputs=[priority, department]
)

模型可视化

# 绘制模型结构图
keras.utils.plot_model(model, "ticket_classifier.png")

# 显示形状信息
keras.utils.plot_model(
    model, 
"ticket_classifier_with_shape_info.png", 
    show_shapes=True
)

训练多输入多输出模型

# 编译模型
model.compile(optimizer="rmsprop",
              loss={"priority": "mean_squared_error", 
"department": "categorical_crossentropy"},
              metrics={"priority": ["mean_absolute_error"], 
"department": ["accuracy"]})

# 准备模拟数据
num_samples = 1000
title_data = np.random.random((num_samples, 10000))
text_body_data = np.random.random((num_samples, 10000))
tags_data = np.random.random((num_samples, 100))
priority_data = np.random.random((num_samples, 1))
department_data = np.random.random((num_samples, 4))

# 训练模型
model.fit(
    {"title": title_data, "text_body": text_body_data, "tags": tags_data},
    {"priority": priority_data, "department": department_data},
    epochs=1,
    batch_size=32
)

特征提取和模型复用

函数式模型可以轻松提取和复用中间特征：

# 提取中间层输出
features = model.layers[4].output  # 获取连接层后的特征

# 添加新输出
difficulty = layers.Dense(3, activation="softmax", name="difficulty")(features)

# 创建新模型
new_model = keras.Model(
    inputs=[title, text_body, tags],
    outputs=[priority, department, difficulty]
)

三、模型子类化：完全控制

对于特殊需求，可以使用模型子类化：

classCustomerTicketModel(keras.Model):
def__init__(self, num_departments):
        super().__init__()
# 定义子层
        self.concat_layer = layers.Concatenate()
        self.mixing_layer = layers.Dense(64, activation="relu")
        self.priority_scorer = layers.Dense(1, activation="sigmoid")
        self.department_classifier = layers.Dense(
            num_departments, activation="softmax")

defcall(self, inputs):
# 定义前向传播
        title = inputs["title"]
        text_body = inputs["text_body"]
        tags = inputs["tags"]

# 混合特征
        features = self.concat_layer([title, text_body, tags])
        features = self.mixing_layer(features)

# 生成输出
        priority = self.priority_scorer(features)
        department = self.department_classifier(features)
return priority, department

# 使用自定义模型
model = CustomerTicketModel(num_departments=4)
priority, department = model({
"title": title_data, 
"text_body": text_body_data, 
"tags": tags_data
})

四、混合使用不同组件

Keras 的各种建模方法可以混合使用：

# 在函数式模型中使用子类化层
classClassifier(keras.Model):
def__init__(self, num_classes=2):
        super().__init__()
if num_classes == 2:
            num_units = 1
            activation = "sigmoid"
else:
            num_units = num_classes
            activation = "softmax"
        self.dense = layers.Dense(num_units, activation=activation)

defcall(self, inputs):
return self.dense(inputs)

# 在函数式流程中使用自定义模型
inputs = keras.Input(shape=(3,))
features = layers.Dense(64, activation="relu")(inputs)
outputs = Classifier(num_classes=10)(features)
model = keras.Model(inputs=inputs, outputs=outputs)

选择合适的方法

• 序贯模型：简单的层堆叠
• 函数式API：大多数情况下的最佳选择，支持复杂拓扑结构
• 模型子类化：需要完全控制时的选择

推荐：优先使用函数式API，它在易用性和灵活性之间达到了最佳平衡，同时支持模型可视化和特征提取。

无论选择哪种方法，Keras 都提供了一致的工作流程，让你能够从简单开始，逐步应对更复杂的挑战。