机器学习与深度学习 / 系统课时
使用函数式 API
使用函数式 API
函数式 API 用“张量之间的连接关系”定义模型,适合线性堆叠表达不了的拓扑。本课构建一个双输入网络:主特征分支带残差连接,与上下文分支合并后再产生两个输出,并用形状和参数量验证整张计算图。
学习目标
- 用
keras.Input、层调用和keras.Model连接计算图。 - 构建多分支、跳跃连接以及多输入多输出模型。
- 在
Add、Concatenate等合并点检查张量形状是否兼容。
把模型看成张量图
函数式 API 的关键不是“按顺序添加层”,而是保留每次层调用得到的张量,再明确下一步让哪些张量连接。下面的案例有两个输入、一个残差相加点、一个特征拼接点和两个输出,已经超出 Sequential 的单链路范围。

画图时最值得盯住的是两个合并点:Add 两侧必须都是 16 维;Concatenate 则把 16 维残差结果和 8 维上下文结果拼成 24 维。只要这两个数字对不上,模型会在构建或调用时暴露形状错误。
构建双输入双输出模型
下面代码同时演示多分支、残差连接和多输出。残差支路用一个无偏置 Dense 把原始 8 维输入投影到 16 维,使它可以与主分支的 16 维张量相加。
import tensorflow as tf
from tensorflow import keras
features = keras.Input(shape=(8,), name="features")
context = keras.Input(shape=(4,), name="context")
main = keras.layers.Dense(16, activation="relu", name="main_1")(features)
main = keras.layers.Dense(16, name="main_2")(main)
# shortcut 必须投影到 16 维,才能与 main 做逐元素相加。
shortcut = keras.layers.Dense(
16, use_bias=False, name="shortcut"
)(features)
residual = keras.layers.Add(name="residual_add")([main, shortcut])
residual = keras.layers.ReLU(name="residual_relu")(residual)
context_branch = keras.layers.Dense(
8, activation="relu", name="context_dense"
)(context)
merged = keras.layers.Concatenate(name="merge")(
[residual, context_branch]
)
shared = keras.layers.Dense(12, activation="relu", name="shared")(merged)
score = keras.layers.Dense(1, name="score")(shared)
class_probs = keras.layers.Dense(
3, activation="softmax", name="class_probs"
)(shared)
model = keras.Model(
inputs=[features, context],
outputs=[score, class_probs],
name="multi_io_model",
)
feature_batch = tf.ones((2, 8), dtype=tf.float32)
context_batch = tf.zeros((2, 4), dtype=tf.float32)
score_value, class_value = model([feature_batch, context_batch])
print("score shape:", score_value.shape)
print("class shape:", class_value.shape)
print("params:", model.count_params())预期输出
score shape: (2, 1)
class shape: (2, 3)
params: 936输出顺序与 keras.Model(outputs=[score, class_probs]) 中的列表顺序一致。实际项目里建议给输入、关键合并层和输出命名,这样查看 model.summary() 或定位报错时,不必依赖自动生成的 dense_7 一类名称。
检查合并点的形状
Add 是逐元素运算,本例两侧都必须为 (None, 16);如果把 shortcut 改成 12 个单元,keras.layers.Add() 会因为最后一维不一致而失败。修复方法不是随意 reshape,而是让投影层输出与主分支一致的 16 维。
Concatenate 默认沿最后一维拼接,因此 (None, 16) 与 (None, 8) 得到 (None, 24)。随后 Dense(12) 的参数量是 24×12+12=300,整个模型参数量可逐层反算为 144+272+128+40+300+13+39=936。
用函数式 API 表达更复杂拓扑
当模型出现共享层时,同一个层对象可以对多个张量调用;当模型有多个输出时,可以从共享主干分别接出分类头、回归头或其他任务头。判断是否适合函数式 API,可以直接检查数据流里是否存在“分叉、汇合、跨层回连”中的任意一种。
本例的可验收条件很具体:两个输入批次的第一维都为 2;残差两侧都是 16 维;拼接后为 24 维;两个输出分别是 (2, 1) 与 (2, 3);总参数量为 936。只要这些数字同时成立,说明图连接与设定一致。