小编wpt*_*orn的帖子

我想为多任务深度学习任务设计一个神经网络。在 Keras API 中，我们可以使用“顺序”或“函数”方法来构建这样的神经网络。在下面，我提供了用于构建网络的代码，使用这两种方法构建具有两个输出的网络：

顺序的

seq_model = Sequential()
seq_model.add(LSTM(32, input_shape=(10,2)))
seq_model.add(Dense(8))
seq_model.add(Dense(2))
seq_model.summary()

功能性

input1 = Input(shape=(10,2))
lay1 = LSTM(32, input_shape=(10,2))(input1)
lay2 = Dense(8)(lay1)
out1 = Dense(1)(lay2)
out2 = Dense(1)(lay2)
func_model = Model(inputs=input1, outputs=[out1, out2])
func_model.summary()

当我查看模型的两个摘要输出时，每个输出都包含相同数量的可训练参数：

到目前为止，这看起来不错 - 但是当我绘制两个模型（使用keras.utils.plot_model）时，我开始怀疑自己，结果如下图：

我个人不知道如何解释这些。当使用多任务学习方法时，我希望输出层之前的层的所有神经元（在我的情况下为 8）连接到两个输出神经元。对我来说，这清楚地显示在 Functional API 中（我有两个Dense(1)实例），但这在 Sequential API 中不是很清楚。尽管如此，可训练参数的数量是相同的；这表明最后一层的 Sequential API 也完全连接到密集输出层中的两个神经元。

谁能向我解释这两个示例之间的差异，或者它们是否完全相同并导致相同的神经网络架构？另外，在这种情况下，哪个更受欢迎？

非常感谢您提前。