tf.keras.model 和 tf.keras.sequential 之间有什么区别？

Question

在一些tf. keras教程中，我看到他们像这样实例化了模型类：

model = tf.keras.Sequential()

而在某些地方，他们使用这样的东西：

model = tf.keras.Model(inputs=input, outputs=output)

但在文档中看到，它们确实看起来相同，但我不确定也没有明确提及。两者有何区别？

Answer 1

有两个类 API 来定义模型tf. keras。根据文档

• Sequential class：按顺序将层的线性堆栈分组为tf. keras.Model.

• Model class：Model将层分组为具有训练和推理功能的对象。

模型Sequential是最简单的模型类型，是层的线性堆叠。但使用模型 API 存在一些缺陷sequential，它在某些方面受到限制。我们无法使用此 API 构建复杂的网络，例如多输入或多输出网络。

但是使用Model class，我们可以使用功能 API（也可以使用模型类的子类化）来实例化一个模型，这允许我们创建任意的层图。由此，我们可以获得更大的灵活性并轻松定义模型，其中每一层不仅可以与上一层和下一层连接，还可以与模型中的其他层共享特征信息，例如，类模型ResNet、EfficientNet.

事实上，你能得到的大部分SOTA模型tf.keras.applications基本上都是使用Functional API实现的。然而，在子类化 API 中，我们定义层__init__并在方法中实现模型的前向传递call。

一般来说，所有使用Sequential API的模型定义，都可以在Functional API或Model Subclassing API中实现。在Functional API 或Model Subclassing API 中，我们可以创建在Sequential API 中无法实现的复杂层。如果您想知道选择哪一个，答案是，这完全取决于您的需要。不过，请查看以下博客文章，我们在其中tf. keras通过更多示例讨论了各种模型策略。TensorFlow 2 中的模型子类和自定义训练循环