1、语法

keras.Model()

将不同层组为具有训练/推理特征的对象的模型 

2、示例一

inputs = keras.Input(shape=(37,))
x = keras.layers.Dense(32, activation="relu")(inputs)
outputs = keras.layers.Dense(5, activation="softmax")(x)
model = keras.Model(inputs=inputs, outputs=outputs)

inputs = keras.Input(shape=(37,)) ，keras.Input函数用于创建一个输入张量，其中shape=(37,)表示输入张量的形状为一个长度为37的一维向量。

x = keras.layers.Dense(32, activation="relu")(inputs)，定义一个全连接层（也称为密集层），名为x。该层的神经元数量为32，激活函数为ReLU（Rectified Linear Unit）。通过将inputs作为输入传递给Dense层，可以将输入数据传递到该层进行处 

outputs = keras.layers.Dense(5, activation="softmax")(x)，定义了另一个全连接层，名为outputs。与上一层不同，该层的神经元数量为5，激活函数为Softmax。Softmax函数通常用于多分类问题的最后一层，它将输出转换为概率分布，使得每个类别的概率之和为1

model = keras.Model(inputs=inputs, outputs=outputs)，将inputs和outputs分别指定为模型的输入和输出，可以构建一个完整的神经网络模型

3、示例二

#定义了一个输入张量，形状为 (None, None, 3)，其中 None 表示该维度可以是任意大小。这个输入张量代表了一个具有任意尺寸和通道数的图像数据
inputs = keras.Input(shape=(None, None, 3))#使用 RandomCrop 层来随机裁剪输入图像。它将输入图像裁剪为宽度为 128、高度为 128 的区域。裁剪后的图像作为下一层的输入
processed = keras.layers.RandomCrop(width=128, height=128)(inputs)#使用卷积层（Conv2D）来处理经过随机裁剪后的图像。卷积层的参数包括过滤器数量（filters=32）和卷积核的大小（kernel_size=3）。卷积层将学习从输入图像中提取特征
conv = keras.layers.Conv2D(filters=32, kernel_size=3)(processed)#使用全局平均池化层（GlobalAveragePooling2D），用于将卷积层的输出进行降维。全局平均池化层将每个特征图的像素值求平均，得到一个一维向量，从而减少模型的参数数量并降低计算复杂度
pooling = keras.layers.GlobalAveragePooling2D()(conv)#使用全连接层（Dense），将全局平均池化层的输出映射到一个具有 10 个神经元的特征向量。全连接层可以学习从输入特征中提取更复杂的特征表示
feature = keras.layers.Dense(10)(pooling)#创建一个名为 full_model 的完整模型，它接受输入张量 inputs 并输出特征向量 feature。通过调用 keras.Model 函数，我们可以将输入和输出层连接起来，形成一个可训练的模型
full_model = keras.Model(inputs, feature)#创建一个名为 backbone 的模型，它接受经过随机裁剪后的图像作为输入，并输出经过卷积层处理后的特征图。这个模型可以用作其他模型的骨干网络，提取出有用的特征表示
backbone = keras.Model(processed, conv)#创建一个名为 activations 的模型，它接受经过卷积层处理后的特征图作为输入，并输出经过全局平均池化层处理后的特征向量。这个模型可以用于可视化卷积层的激活情况，帮助我们理解模型在提取特征时的行为
activations = keras.Model(conv, feature) 

inputs = keras.Input(shape=(None, None, 3))，定义了一个输入张量，形状为 (None, None, 3)，其中 None 表示该维度可以是任意大小。这个输入张量代表了一个具有任意尺寸和通道数的图像数据

processed = keras.layers.RandomCrop(width=128, height=128)(inputs)，使用 RandomCrop 层来随机裁剪输入图像。它将输入图像裁剪为宽度为 128、高度为 128 的区域。裁剪后的图像作为下一层的输入

conv = keras.layers.Conv2D(filters=32, kernel_size=3)(processed)，使用卷积层（Conv2D）来处理经过随机裁剪后的图像。卷积层的参数包括过滤器数量（filters=32）和卷积核的大小（kernel_size=3）。卷积层将学习从输入图像中提取特征

pooling = keras.layers.GlobalAveragePooling2D()(conv)，使用全局平均池化层（GlobalAveragePooling2D），用于将卷积层的输出进行降维。全局平均池化层将每个特征图的像素值求平均，得到一个一维向量，从而减少模型的参数数量并降低计算复杂度

feature = keras.layers.Dense(10)(pooling)，使用全连接层（Dense），将全局平均池化层的输出映射到一个具有 10 个神经元的特征向量。全连接层可以学习从输入特征中提取更复杂的特征表示

full_model = keras.Model(inputs, feature)，创建一个名为 full_model 的完整模型，它接受输入张量 inputs 并输出特征向量 feature。通过调用 keras.Model 函数，我们可以将输入和输出层连接起来，形成一个可训练的模型

backbone = keras.Model(processed, conv)，创建一个名为 backbone 的模型，它接受经过随机裁剪后的图像作为输入，并输出经过卷积层处理后的特征图。这个模型可以用作其他模型的骨干网络，提取出有用的特征表示

activations = keras.Model(conv, feature) ，创建一个名为 activations 的模型，它接受经过卷积层处理后的特征图作为输入，并输出经过全局平均池化层处理后的特征向量。这个模型可以用于可视化卷积层的激活情况，帮助我们理解模型在提取特征时的行为