Keras：模型和层有什么区别？答案

【问题标题】：Keras: What is the difference between model and layers?Keras：模型和层有什么区别？
【发布时间】：2020-05-12 13:51:55
【问题描述】：

编辑：Franchois Chollet 的This video 说Layer + training eval methods = Model

在 keras 文档中，它说模型由层组成。但是in this section 表明模型可以由模型组成。

from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten
from keras.models import Model

# First, define the vision modules
digit_input = Input(shape=(27, 27, 1))
x = Conv2D(64, (3, 3))(digit_input)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
out = Flatten()(x)

vision_model = Model(digit_input, out)

# Then define the tell-digits-apart model
digit_a = Input(shape=(27, 27, 1))
digit_b = Input(shape=(27, 27, 1))

# The vision model will be shared, weights and all
out_a = vision_model(digit_a)
out_b = vision_model(digit_b)

concatenated = keras.layers.concatenate([out_a, out_b])
out = Dense(1, activation='sigmoid')(concatenated)

classification_model = Model([digit_a, digit_b], out)

那么，模型和层之间的有效区别是什么？它只是为了代码的可读性还是提供一些功能？

【问题讨论】：

标签： python tensorflow keras

【解决方案1】：

在 Keras 中，network 是 layers 的 directed acyclic graph (DAG)。模型是一个网络，增加了训练和评估例程。

该框架允许您从各个层和其他 DAG 构建网络 DAG。后者就是您在示例中看到的内容，并且似乎是造成混乱的原因。

【讨论】：

【解决方案2】：

不同之处在于模型可以被训练（它们有一个fit 方法），而层没有这种方法并且需要成为Model 实例的一部分，这样你就可以训练它们。一般来说，孤立的层是没有用的。

Functional API 在模型中使用模型的想法是，您可以定义一个模型，并以共享权重的方式将其权重作为另一个模型的一部分重用。仅靠层是不可能的。

【讨论】：

我们可以重用层的权重。
@Souradeep，您能否详细说明如何重用层的权重？