这两种在keras中建立模型的方法有什么区别？

Question

我是Keras的新手，在完成一些教程后，我开始构建一个模型并找到了这两种实现方式。 但是我在第一个错误中得到错误，第二个错误。 有人可以解释两者之间的区别吗？

第一种方法：

visible = Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True)
encoder = LSTM(100,activation='relu')(visible)

第二种方法：

model = Sequential()
model.add(Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True))
model.add(LSTM(100,activation ='relu'))

这是我得到的错误：

ValueError: Layer lstm_59 was called with an input that isn't a symbolic tensor. Received type: <class 'keras.layers.embeddings.Embedding'>. Full input: [<keras.layers.embeddings.Embedding object at 0x00000207BC7DBCC0>]. All inputs to the layer should be tensors.

Answer 1

它们是在Keras中创建DL模型的两种方式。 第一个代码片段遵循功能样式。 此样式用于创建复杂模型，如多输入/输出，共享图层等。

https://keras.io/getting-started/functional-api-guide/

第二个代码片段是Sequential样式。 可以创建简单的模型，其仅涉及层的堆叠。

https://keras.io/getting-started/sequential-model-guide/

如果您阅读了功能API指南，您会注意到以下几点：

'一个层实例是可调用的（在张量上），它返回一个张量'

现在你看到的错误是有道理的。 此行仅创建图层，并且不通过传递张量来调用它。

visible = Embedding(QsVocabSize, 1024, input_length=max_length_inp, mask_zero=True)

随后，将此Embedding对象传递给LSTM层会引发错误，因为它需要Tensor。

这是功能API指南中的一个示例。 请注意输出张量从一个层传递到另一个层。

main_input = Input(shape=(100,), dtype='int32', name='main_input')
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
lstm_out = LSTM(32)(x)