当只传递网络的输入和输出时，keras函数API模型如何知道层

Question

我不熟悉Keras，也不了解函数api模型结构

一,- 如前所述here in docs。keras.Model只接受输入和输出参数，层列在模型前面。有人能告诉我keras.Model如何知道层结构和输入输出之间的多层结构，而我们只传递输入和输出数组

二,- 另外，什么是layers.output或layers.input的输出。输出不是一个简单的张量吗？当我打印layers.output时，我看到了下面的输出，它使用来自this example的语法用于其他层。看起来layers.output和layers.input也包含层信息，如dense_5/Relu:0。有人能澄清以下输出的组成部分代表什么吗

print [layer.output for layer in model.layers]

输出：

 [<tf.Tensor 'input_6:0' shape=(None, 3) dtype=float32>,
  <tf.Tensor 'dense_5/Relu:0' shape=(None, 4) dtype=float32>,
  <tf.Tensor 'dense_6/Softmax:0' shape=(None, 5) dtype=float32>]

Answer 1

1. 在编译/拟合/评估之前，您应该首先描述模型。创建一个序列：第一层是输入层，接下来是一组中间层，然后是输出层

比如你的例子：

inputs = keras.Input(shape=(784,))          # input layer
dense = layers.Dense(64, activation="relu") # describe a dense layer
x = dense(inputs)                           # set x as a result of dense layer with inputs
x = layers.Dense(64, activation="relu")(x)  # "update" x with next layer which has previous dense layer as input
outputs = layers.Dense(10)(x)               # set your output
model = keras.Model(inputs=inputs, outputs=outputs, name="mnist_model") # incorporate all layers in a model

所以基本上Keras已经知道模型内部是什么

1. 您正在考虑获取中间层的输出。这是迁移学习（当您使用预先训练的模型作为特征提取器时）或某些体系结构作为跳过连接时的常见原则。在这种情况下，您将获得多个输出。此外，根据模型用途，网络在模型末尾可以有多个输出。在您的示例中，它们仅用于演示目的，没有任何意义。看看更有意义的feature extraction