一、Functional API 搭建神经网络模型

1.对宽深神经网络模型进行手写数字识别：

运行代码：

inputs = keras.layers.Input(shape=X_train.shape[1:])
hidden1 = keras.layers.Dense(300,activation="relu")(inputs)
hidden2 = keras.layers.Dense(100,activation="relu")(hidden1)
concat = keras.layers.concatenate([inputs,hidden2])
output = keras.layers.Dense(10, activation="softmax")(concat)model_fun_WideDeep=keras.models.Model(inputs=[inputs], outputs=[output])

输出结果：

2.观察神经网络的情况：

运行代码

model_fun_WideDeep.summary()

输出结果：

3.对数据集进行训练：

运行代码：

model_fun_WideDeep.compile(loss="sparse_categorical_crossentropy",optimizer="sgd", metrics=["accuracy"])
h=model_fun_WideDeep.fit(X_train,y_train,batch_size=32,epochs=30,validation_data=(X_valid, y_valid))

输出结果：

4.数据拆分成A与B两部分，进行输入：

运行代码：

X_train_A,X_train_B=X_train[:,:200],X_train[:,100:]
X_valid_A,X_valid_B=X_valid[:,:200],X_valid[:,100:]

input_A=keras.layers.Input(shape=X_train_A.shape[1])
input_B=keras.layers.Input(shape=X_train_B.shape[1])
hidden1=keras.layers.Dense(300,activation="relu")(input_B)
hidden2=keras.layers.Dense(100,activation="relu")(hidden1)
concat=keras.layers.concatenate([input_A,hidden2])
output=keras.layers.Dense(10,activation="softmax")(concat)
model_fun_MulIn=keras.models.Model(inputs=[input_A,input_B],outputs=[output])_

model_fun_MulIn.compile(loss="sparse_categorical_crossentropy",optimizer="sgd",metrics=["accuracy"])

输出结果：
进行训练：

二、SubClassing API 搭建神经网络模型

• 定义模型结构，隐藏层1、2，输出层，隐藏层的激活函数，调用函数，开始初始化
  运行代码：

class Model_sub_fnn(keras.models.Model):def __init__(self,units_1=300,units_2=100,units_out=10,activation="relu"):super().__init__()self.hidden1=keras.layers.Dense(units_1,activation=activation)self.hidden2=keras.layers.Dense(units_2,activation=activation)self.main_output=keras.layers.Dense(units_out,activation="softmax")

• 将输入数据传给隐藏层1
  运行代码：

def call(self,data):hidden1=self.hidden1(data)hidden2=self.hidden2(hidden1)main_output=self.main_output(hidden2)return main_output

model_sub_fnn=Model_sub_fnn()

model_sub_fnn2=Model_sub_fnn(300,100,10,activation="relu")

输出结果：

1.进行训练：

运行代码：

h=model_sub_fnn.fit(X_train,y_train,batch_size=32,epochs=30,validation_data=(X_valid,y_valid))

输出结果：

2.观察神经网络的情况：

运行代码：

model_sub_fnn.summary()

输出结果：