2.1.3　使用Keras函数式编程实现鸢尾花分类的例子（重点）

我们在前面也说了，对于有编程经验的程序设计人员来说，顺序模型过于抽象同时缺乏过多的自由度，因此在较为高级的程序设计中达不到程序设计的目标。

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

让我们从一个简单的例子开始，程序2-1建立模型的方法时使用顺序模型，即通过逐级添加的方式将数据“add”到模型中。这种方式在较低级水平的编程上可以较好地减轻编程的难度，但是在自由度方面会有非常大的影响，例如当需要对输入的数据进行重新计算时，顺序模型就不合适。

函数式编程方法类似于传统的编程。只需要建立模型，导入输出和输出“形式参数”即可。有TensorFlow 1.X编程基础的读者可以将其看作一种新的格式的“占位符”。示例代码如下：

     inputs = tf.keras.layers.Input(shape=(4,))
     # 层的实例是可调用的，以张量为参数，并且返回一个张量
     x = tf.keras.layers.Dense(32, activation='relu')(inputs)
     x = tf.keras.layers.Dense(64, activation='relu')(x)
     predictions = tf.keras.layers.Dense(3, activation='softmax')(x)
     # 这部分创建了一个包含输入层和三个全连接层的模型
     model = tf.keras.Model(inputs=inputs, outputs=predictions)

下面开始逐对其进行分析。

1．输入端

首先是Input的形参：

     inputs = tf.keras.layers.Input(shape=(4,))

这一点需要从源码上来看，代码如下：

Input函数用于实例化Keras张量（来自底层后端输入的张量对象），其中增加了某些属性，使其能够通过了解模型的输入和输出来构建Keras模型。

Input函数的参数：

• shape：形状元组（整数），不包括批量大小。例如，shape=(32,)表示预期的输入将是32维向量的批次。
• batch_size：可选的静态批量大小（整数）。
• name：图层的可选名称字符串。在模型中应该是唯一的（不要重复使用相同的名称两次）。如果未提供，它将自动生成。
• dtype：数据类型，即预期输入的数据格式，一般有float32、float64、int32等类型。
• sparse：一个布尔值，指定是否创建占位符是稀疏的。
• tensor：可选的现有张量包裹到Input图层中。如果设置，图层将不会创建占位符张量。
• **kwargs：其他的一些参数。

上面是官方对其参数所做的解释。可以看到，这里的Input函数就是根据设定的维度大小生成一个可供存放对象的张量空间，维度就是shape中设定的维度。

举例来说，在一个后续的学习中会遇到MNIST数据集，即一个手写图片分类的数据集，每幅图片的大小用4维来表示[1,28,28,1]：第1个数字是每个批次的大小，第2、3个数字是图片的尺寸大小，第4个数字是图片通道的个数。因此，输入到input中的数据为：

     #举例说明，这里4维变成3维，batch信息不设定
     inputs = tf.keras.layers.Input(shape=(28,28,1))

2．中间层

下面每一层的写法与使用顺序模式也是不同：

     x = tf.keras.layers.Dense(32, activation='relu')(inputs)

在这里每个类被直接定义，之后将值作为类实例化以后的输入值进行输入计算。

     x = tf.keras.layers.Dense(32, activation='relu')(inputs)
     x = tf.keras.layers.Dense(64, activation='relu')(x)
     predictions = tf.keras.layers.Dense(3, activation='softmax')(x)

3．输出端

输出端不需要额外的表示，直接将计算的最后一个层作为输出端即可：

     predictions = tf.keras.layers.Dense(3, activation='softmax')(x)

4．模型的组合方式

模型的组合方式也是很简单的，直接将输入端和输出端在模型类中显式地注明，Keras即可在后台将各个层级通过输入和输出对应的关系连接在一起。

     model = tf.keras.Model(inputs=inputs, outputs=predictions)

完整的代码如下所示。

【程序2-2】

程序2-2的基本架构对照前面的例子没有多少变化，损失函数和梯度更新方法是固定的写法，这里最大的不同点在于，代码使用了model自带的save函数对数据进行保存。在TensorFlow 2.X中，数据的保存由Keras完成，即将图和对应的参数完整地其保存在h5格式中。