为什么在构建Keras模型时同时使用顺序API和功能API？

Question

我正在尝试了解使用Keras制作的DCGAN的代码，该代码使用顺序api创建模型，然后将其包装在功能api模型中。 为什么要包括功能模型而不是仅使用顺序模型？

我是一个初学者，我试图了解Keras GAN的设计：

https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py

例如，在构建生成器时，使用顺序API定义模型，然后使用功能性API和顺序模型创建新模型。

def build_generator(self):

        model = Sequential()

        model.add(Dense(128 * 7 * 7, activation="relu", input_dim=self.latent_dim))
        model.add(Reshape((7, 7, 128)))
        model.add(UpSampling2D())
        model.add(Conv2D(128, kernel_size=3, padding="same"))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Activation("relu"))
        model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size=3, padding="same"))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Activation("relu"))
        model.add(Conv2D(self.channels, kernel_size=3, padding="same"))
        model.add(Activation("tanh"))

        model.summary()

        noise = Input(shape=(self.latent_dim,))
        img = model(noise)

        return Model(noise, img)

这与仅使用顺序模型有何不同？ （对不起，如果这是一个愚蠢的问题）

Answer 1

顺序模型和功能模型实际上是相同的。 除了功能模型之外，您还可以创建更复杂的架构，因为每个层都存储有变量。 如果您没有独特的“线性”模型，并且其中包括GAN，这将非常方便。

使用功能性API构建的模型的示例：

inputs = Input(shape=(784,))

# a layer instance is callable on a tensor, and returns a tensor
layer1 = Dense(64, activation='relu')(inputs)
layer2 = Dense(64, activation='relu')(layer1)
predictions = Dense(10, activation='softmax')(layer2)

# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)

您清楚地看到，可以轻松访问每个图层。 而使用Sequential API的情况相同：

model = Sequential()
model.add(Input(shape=(784,))
model.add(Dense(64, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

当然，对于这样一个简单的模型，顺序模型更为简洁。 但是现在，如果要添加第二个模型（例如，生成器），则功能性API更为简洁，因为您可以为每一层声明一个变量，然后将该层添加到模型中**在同一行**，而使用顺序API，您可以不能。