开发者学堂课程【Tensorflow2.0入门与实战：函数式API】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/664/detail/11112
函数式API
内容介绍：
一、 什么是函数式 API
二、 函数式 API 的写法
一、什么是函数式API
函数是什么样子的呢？
当我们定义一个函数之后，然后调用这个函数，直接在这个函数后面添加一个参数来调用它。
函数式 API 类似于函数的调用，我们把每一层看成一个函数来调用这一层，这样的写法相对于前面的只有一个输入，只有一个输出，中间都是顺序连接的单一结构的模型，函数式 API 可以实现引入残差或者输入直接连接输出。
学习完函数式 API，我们可以自己 diy 网络的结构。
二、函数式API的写法
首先引入 tensorflow ：
import tensorflow as tf
然后从 tensorflow 引入 keras，引入 matplotlib
from tensorflow import keras
import matplotlib. pyplot as plt
%matplotlib inline
导入 fashion，把 fashion 归一化
fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
写模型
函数式 API 的核心思想就在于可以进行调用，对于每一层都可以调用每一层，需要哪一层就直接去调用它。
设置一个输入，keras 为我们提供 keras.Input 这种方法，shape 只需要添加图片的形状，不需要添加第一维度：
input = keras.Input(shape=(28，28))
输入的第一层通过哪里呢，实际上是一个函数调用的过程，输出为x，y，调用结束叫x，比如调用 Flatten，把 Flatten 这一层看成是一个函数，再调用一个 Dense层，输出32个隐藏单元数，activation='relu'，把每一层看成一个函数；添加一个Dropout 层，比例是0.5；再调用一个 Dense 层，输出64个隐藏单元数：
x=keras.layers.Flatten()(input)
x= keras.layers.Dense(32,activation='relu')(x)
x = keras.layers. Dropout(0.5)(x)
x= keras. layers.Dense(64,activation='relu')(x)
最后，做一个输出，输出10个隐藏单元数，relu 换成 softmax，调用x：
output = keras.layers.Dense(10,activation='softmax')(x)
这样就建立好了 input 和 output，在他们之间就是这个网络。
如何建立 model，keras.Model 这个方法，写好 inputs 和 outputs，inputs=input,outputs=output：
model = keras.Model(inputs=input,outputs=output)
根据输入、输出初始化好这个模型，看一下这个模型的样子：
model. summary（）
模型的输入层[(None,28,28)]
None，这个维度是一个个数，一个代表个数的维度，一般来说不需要关心它，意思是任意一个
第二层是 flatten 层，第三层是 dense 层，第四层是 dropout 层，第五层是 dense层，第六层是输出层。这样就建立好这个 model，这就是函数式API来完成这个模型。
重点是建立好 input，一层一层地调用，最后建立 output，初始化 model，需要注意的是 input 和 output 之间应该是关联的，中间某一层关系的断连都会产生错误。
函数式 API 有哪些好处呢？
可以建立多输入或者说多输出的模型，可以建立两个input：input1、input2，使用两个 input 提取信息，建立一个模型，例如：
input1 =keras.Input (shape=(28，28))
input2 = keras.Input(shape=(28，28))
x1=keras.layers.Flatten()(input1)
x2= keras.layers.Flatten()(input2)
x=keras. layers.concatenate([x1, x2])
x=keras.layers. Dense (32,activation='relu')(x)
output = keras.layers. Dense(1,activation='sigmoid')(x)
model =keras.Model(inputs=[input1，input2],outputs=output)
model. Summary()
得到两个 input 之后，把两个x1、x2合并起来叫做x，判断两个图片是否为同一类型，是一个逻辑回归问题（是和否的问题），所以合并在一起之后，添加一个dense 层，最后添加输出层，output 输出一个概率值，输出一个值，且为逻辑回归，这样就建立好这个模型，有两个输入和一个输出，所以 inputs=[input1，input2],outputs=output。
这个 model 中间产生分叉，有两个输入，两个 flatten，有个 concatenate 合并在一起，随后变成一个 Dense，得到一个概率输出，这就是整个模型。
