Керас: В чем разница между моделью и слоями?

Question

В документации keras говорится, что модели состоят из слоев.Однако в этом разделе показывает, что модель может состоять из моделей.

from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten
from keras.models import Model

# First, define the vision modules
digit_input = Input(shape=(27, 27, 1))
x = Conv2D(64, (3, 3))(digit_input)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
out = Flatten()(x)

vision_model = Model(digit_input, out)

# Then define the tell-digits-apart model
digit_a = Input(shape=(27, 27, 1))
digit_b = Input(shape=(27, 27, 1))

# The vision model will be shared, weights and all
out_a = vision_model(digit_a)
out_b = vision_model(digit_b)

concatenated = keras.layers.concatenate([out_a, out_b])
out = Dense(1, activation='sigmoid')(concatenated)

classification_model = Model([digit_a, digit_b], out)

Итак, какова эффективная разница между моделью и слоями?Это только для удобства чтения кода или служит какой-то функции?

Answer 1

В Керасе сеть представляет собой направленный ациклический граф (DAG) из слоев . модель - это сеть с дополнительными процедурами обучения и оценки.

Платформа позволяет создавать сетевые группы доступности баз данных как из отдельных уровней, так и из других групп доступности базы данных. Последнее - это то, что вы видите в примере и что, кажется, вызывает путаницу.

Answer 2

Разница в том, что модели можно обучать (у них есть метод fit), в то время как слои не имеют такого метода и должны быть частью экземпляра Model, чтобы вы могли обучать их.Вообще говоря, слои в отдельности бесполезны.

Идея функционального API для использования моделей внутри моделей состоит в том, что вы можете определить одну модель и повторно использовать ее веса как часть другой модели таким образом, чтобывеса делятся.Это невозможно только для слоев.