Keras 用于多任务学习神经网络的顺序 API 与函数式 API

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。下面我提供了用于构建网络的代码，使用两种方法构建具有两个输出的网络：

顺序

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，每个模型都包含相同数量的可训练参数：

Up until now, this looks fine - however I start doubting myself when I plot both models (using keras.utils.plot_model) which results in the followings graphs:

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（在我的例子中是 8 个）连接到both输出神经元。对我来说，这清楚地显示在功能 API 中（我有两个Dense(1)实例），但是从 Sequential API 来看这一点还不是很清楚。尽管如此，可训练参数的数量是相同的；这表明 Sequential API 最后一层也完全连接到密集输出层中的两个神经元。

有人可以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产生相同的神经网络架构？另外，在这种情况下，哪一个会是首选？

预先非常感谢您。

顺序式和函数式 keras API 的区别：

顺序 API 允许您为大多数情况逐层创建模型 问题。它的局限性在于它不允许您创建模型 共享层或具有多个输入或输出。

函数式 API 允许您创建具有更多功能的模型 灵活性，因为您可以轻松定义层连接的模型 不仅仅是上一层和下一层。其实你可以连接 层到（字面意思）任何其他层。结果，创建了复杂的 暹罗网络和残差网络等网络成为 可能的。

回答你的问题：

不，这些 API 不一样，并且层数相同是正常的。 使用哪一个？这取决于您想如何使用该网络。你参加培训是为了什么？你想要输出什么？

我推荐这个链接来充分利用这个概念。

顺序模型和功能模型

我希望我能帮助你更好地理解。