我对神经网络和TensorFlow是新手

通常，当我们在TensorFlow中构建神经网络模型时，我们会以以下方式定义它：

model = tf.keras.models.Sequential([    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),    tf.keras.layers.MaxPooling2D(2, 2),    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),

最近我用迁移学习写了一段代码，它以以下方式定义了模型：

x = layers.Flatten()(last_output)x = layers.Dense(1024, activation='relu')(x)x = layers.Dense(1,activation='sigmoid')(x) 

这里的 last_output 是迁移学习模型的输出。

谁能解释这与顺序方法有何不同？另外，为什么前一层的输出会在新层的末尾用括号给出？

回答：

你描述的两种方式都是正确的。让我们一步一步来看。

1. 第一个模型使用的是 Sequential API。该API的声明如下。

   tf.keras.Sequential(layers=None, name=None)

该API接受 layers 参数作为一个列表，添加到模型中。

因此，你展示的例子如下。

model = tf.keras.models.Sequential([    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),    tf.keras.layers.MaxPooling2D(2, 2),    tf.keras.layers.Conv2D(64, (3,3), activation='relu')])

在这里，顺序API将每一层堆叠在另一层之上并连接它们。该API自行管理前一层的输出作为下一层的输入。它为我们提供了便利性。

2.另一种方法是使用 Functional API 创建模型。你可以将其视为调用层作为函数。你需要额外做的一件事是将前一层作为下一层的输入。因为Functional API不使用类似于列表的东西，所以API知道输入来自哪个层面的唯一方法是实际提供前一层作为参数。

所以以你的例子为例。

x = layers.Flatten()(last_output)x = layers.Dense(1024, activation='relu')(x)x = layers.Dense(1,activation='sigmoid')(x) 

Functional API 会知道层 Flatten 需要连接到 last_output 层。然后，下一层密集层将连接到 Flatten 层，因为 x 作为参数传递给了它。我想你已经明白了这里的思路。

还有另一种创建模型的方法是通过子类化 Model 类。你可以在这里查看 Functional API 和子类化 Model 类 这里。