TensorFlow中Sequential与函数式API实现网络的区别及Inception块实现问题

• 第一种使用的是Keras顺序API（Sequential API）：仅支持线性堆叠的单输入单输出网络，层与层的连接严格按照添加顺序，每一层只能接收上一层的输出作为输入，写法简单但灵活性极低，无法实现分支、多输入输出等复杂结构。
• 第二种使用的是Keras函数式API（Functional API）：是基于计算图的通用构建方式，支持自定义任意层连接关系，可实现多分支、跳跃连接、多输入输出、层共享等所有复杂网络结构，灵活性远高于顺序API。

你使用的Inception结构包含多分支并行计算逻辑，天然无法用纯线性堆叠的顺序API直接实现，需要通过封装自定义层的方式适配顺序API的调用规则。

你可以将Inception块封装为自定义Keras层，层内部实现分支逻辑，上层就可以直接用add()方法将其加入Sequential模型，示例实现如下：

import tensorflow as tf
from tensorflow.keras import layers

class InceptionBlock(tf.keras.layers.Layer):
    def __init__(self, filter_map, **kwargs):
        super().__init__(**kwargs)
        self.filter_map = filter_map
        # 分支1的线性堆叠用Sequential封装
        self.path1 = tf.keras.Sequential([
            layers.Conv2D(filter_map[0], (1, 1), padding='same', activation='relu')
        ])
        # 分支2的线性堆叠用Sequential封装
        self.path2 = tf.keras.Sequential([
            layers.Conv2D(filter_map[1], (1, 1), padding='same', activation='relu'),
            layers.Conv2D(filter_map[2], (1, 1), padding='same', activation='relu')
        ])
    
    def call(self, inputs):
        path1_out = self.path1(inputs)
        path2_out = self.path2(inputs)
        return tf.concat([path1_out, path2_out], axis=3)
    
    # 实现get_config支持模型序列化保存
    def get_config(self):
        config = super().get_config()
        config.update({"filter_map": self.filter_map})
        return config

之后你就可以完全通过Sequential+add()的方式构建整个模型：

model = tf.keras.Sequential()
# 输入层+预处理层
model.add(layers.Input(shape=(32, 32, 3)))
model.add(layers.experimental.preprocessing.Resizing(224, 224, interpolation="bilinear"))
# 前置基础卷积层
model.add(layers.Conv2D(64, 7, strides=2, padding='same', activation='relu'))
model.add(layers.MaxPooling2D(3, strides=2))
model.add(layers.Conv2D(64, 1, strides=1, padding='same', activation='relu'))
model.add(layers.Conv2D(192, 3, strides=1, padding='same', activation='relu'))
model.add(layers.MaxPooling2D(3, strides=2))
# 直接添加自定义Inception块，用法和原生层完全一致
model.add(InceptionBlock([64, 64, 192]))
model.add(layers.MaxPooling2D(3, strides=2))

内容的提问来源于stack exchange，提问作者Vigneshwaran