2.3.2　Keras背后的原理

Keras主要通过两种方式提供功能：顺序模型和API函数。

·顺序模型：这是一种使用Keras的方法，允许线性地（或按顺序地）堆栈层实例。在这种情况下，层实例的含义与第1章中讨论的含义相同。也就是说，一个层具有某种类型的输入、某种类型的行为或主要模型操作，以及某种类型的输出。

·API函数：这是深入定义更复杂模型的最佳方式，例如合并模型、具有多个输出的模型、具有多个共享层的模型，以及许多其他可能性。别担心，这些都是高级主题，在以后的章节中会讲得很清楚。API函数范例给了程序员更多的创新自由。

我们可以将顺序模型视为开始使用Keras的一种简单方法，而将API函数视为解决更复杂问题的一种方法。

还记得第1章中的浅层神经网络吗？下面就给出如何使用Keras中的顺序模型范式来建立模型的方法：

前两行代码分别导入Sequential模型、Dense层和Activation层。Dense层是一个完全连接的神经网络，而Activation层是调用一组丰富的激活函数的非常具体的方式，如前面例子中的ReLU和SoftMax（将在后面详细解释）。

或者，你也可以使用相同的模型，但是使用add()方法：

为神经模型编写代码的第二种方法看起来更线性，而第一种方法看起来更像Python的方式，使用项列表来完成此操作。这其实是一样的，你可能会对其中一种产生偏好。但是，请记住，前面的两个示例都使用了Keras顺序模型。

现在，为了方便比较，下面给出使用关于Keras的API函数范例编写完全相同的神经网络体系结构的代码：

如果你是一个有经验的程序员，就会注意到函数API风格允许更多的灵活性。它允许定义输入张量，在需要的情况下可以将它们用作模型不同部分的输入。但是，使用API函数需要假设你熟悉顺序模型。因此，在本书中，我们将从顺序模型开始学习，后面向更复杂的神经网络模型迈进时，我们将逐步使用API函数范例。

就像Keras一样，还有其他Python库和框架允许以相对较低的难度进行机器学习。在编写本书的时候，最流行的是Keras，第二流行的是PyTorch。