这个模型是使用Functional API Model创建的
基本上它是这样工作的（也许如果你在阅读本文之前转到下面的“附带问题2”可能会更清楚）：
- 您有一个输入张量（您也可以将其视为“输入数据”）
- 您创建（或重复使用）一个图层
- 您将输入张量传递给层（您“调用”具有输入的层）
- 你得到一个输出张量
您一直使用这些张量，直到您创建了整个图表。
但这还没有创建一个“模型”。 （您可以训练和使用其他东西）。
你所拥有的只是一张图表，告诉你哪些张量去了哪里。
要创建模型，您需要定义它的起点终点。
在示例中。
- 他们采用现有模型：
model = keras.applications.InceptionV3(...)
- 他们想扩展这个模型，所以他们得到了它的输出张量：
model.output
- 他们将此张量作为
GlobalAveragePooling2D 层的输入传递
- 他们得到这一层的输出张量为
new_output
- 他们将此作为输入传递给另一层：
Dense(N_CLASSES, ....)
- 并将其输出为
new_output（此变量已被替换，因为他们对保留其旧值不感兴趣...）
但是，由于它与函数式 API 一起使用，我们还没有模型，只有图表。为了创建模型，我们使用Model 定义输入张量和输出张量：
new_model = Model(old_model.inputs, new_output)
现在你有你的模型了。
如果您像我一样在另一个 var 中使用它 (new_model)，那么旧模型仍将存在于 model 中。这些模型共享相同的层，这样每当你训练其中一个时，另一个也会更新。
问题：它如何知道我们想要在其间的其他层？
当你这样做时：
outputTensor = SomeLayer(...)(inputTensor)
您在输入和输出之间建立了联系。 （Keras 将使用内部 tensorflow 机制，并将这些张量和节点添加到图中）。没有输入，输出张量就不能存在。整个InceptionV3 模型从头到尾连接。它的输入张量经过所有层以产生一个输出张量。数据只有一种可能的方式，而图表就是方式。
当您获得此模型的输出并使用它来获得更多输出时，您的所有新输出都会连接到此，从而连接到模型的第一个输入。
可能添加到张量的属性_keras_history 与它如何跟踪图形密切相关。
所以，做Model(old_model.inputs, new_output) 自然会遵循唯一可能的方法：图表。
如果您尝试对未连接的张量执行此操作，则会收到错误消息。
附加问题 1
更喜欢从“keras.models”导入。基本上，这个模块将从另一个模块导入：
请注意，文件 keras/models.py 从 keras.engine.training 导入 Model。所以，是一样的。
附加问题 2
不是new_layer = keras.layers.Dense(...)(prev_layer)。
它是output_tensor = keras.layers.Dense(...)(input_tensor)。
你在同一行做两件事：
- 创建层 - 使用
keras.layers.Dense(...)
- 使用输入张量调用层以获得输出张量
如果您想使用具有不同输入的同一层：
denseLayer = keras.layers.Dense(...) #creating a layer
output1 = denseLayer(input1) #calling a layer with an input and getting an output
output2 = denseLayer(input2) #calling the same layer on another input
output3 = denseLayer(input3) #again
奖励 - 创建与顺序模型相同的功能模型
如果您创建此顺序模型：
model = Sequential()
model.add(Layer1(...., input_shape=some_shape))
model.add(Layer2(...))
model.add(Layer3(...))
你正在做的完全一样：
inputTensor = Input(some_shape)
outputTensor = Layer1(...)(inputTensor)
outputTensor = Layer2(...)(outputTensor)
outputTensor = Layer3(...)(outputTensor)
model = Model(inputTensor,outputTensor)
有什么区别？
嗯，功能性 API 模型完全可以根据需要免费构建。您可以创建分支：
out1 = Layer1(..)(inputTensor)
out2 = Layer2(..)(inputTensor)
你可以加入张量：
joinedOut = Concatenate()([out1,out2])
有了这个，你可以用各种花哨的东西、分支、门、连接、加法等创建你想要的任何东西，这是顺序模型无法做到的。
事实上，Sequential 模型也是 Model，但创建用于在没有分支的模型中快速使用。