Sequential vs ModelKeras.NET构建复杂多输入神经网络的进阶指南【免费下载链接】Keras.NETKeras.NET is a high-level neural networks API for C# and F#, with Python Binding and capable of running on top of TensorFlow, CNTK, or Theano.项目地址: https://gitcode.com/gh_mirrors/ke/Keras.NETKeras.NET 是一个面向 C# 和 F# 的高层神经网络 API支持通过 Python 绑定运行在 TensorFlow、CNTK 或 Theano 之上。对于刚接触 Keras.NET 的开发者最大的困惑往往不是怎么写第一个模型而是Sequential 和 Model 到底该选哪个。这篇文章用最直观的方式讲清两者的区别并手把手教你用 Functional API 搭建多输入、多分支的复杂神经网络模型。 Sequential线性堆叠最简单的起点Sequential 模型就是一摞直线排列的层数据从第一层进入逐层往下流最后从末尾输出。它的使用方式极其简单——new一个模型然后不停地Addvar model new Sequential(); model.Add(new Dense(32, activation: relu, input_shape: new Shape(2))); model.Add(new Dense(64, activation: relu)); model.Add(new Dense(1, activation: sigmoid));实现位于 Keras/Models/Sequential.cs你可以看到它的本质就是逐层调用add非常适合一个输入 → 一个输出的常规任务比如经典的 XOR 二分类 上图来自官方的 XOR 示例可以看到 Sequential 模型训练 1000 个 epoch 后准确率稳定达到 1.0000。同样地README 中的 MNIST 手写数字识别示例也是典型的 Sequential 写法12 个 epoch 内即可达到 99% 左右的测试准确率Sequential 的边界在哪里只要你的网络满足以下条件就用 Sequential简单高效✅ 只有一层输入、一层输出✅ 每个层只接受一个输入、只产生一个输出✅ 不存在跨层连接shortcut或分支合并一旦你需要分叉或汇合Sequential 就会无路可走。 ModelFunctional API多输入多输出的利器Functional API 的核心思想是先定义输入张量再自由连接层最后把输入们和输出们一起交给 Model。Keras.NET 的实现见 Keras/Models/Model.cs// 给定一些输入张量和输出张量 // Model 会自动包含计算所需的全部层 var model new Model(inputs, outputs);它只有三个关键步骤步骤动作说明1️⃣ 创建 Inputnew Input(new Shape(32, 32))声明输入张量的形状可创建多个2️⃣ 用 Set 连接层new Conv2D(...).Set(input)层与层通过调用返回新张量3️⃣ 组装 Modelnew Model(inputs, outputs)输入/输出列表自动推断中间层输入张量由 Keras/Layers/Core.cs 中的Input类实例化——它创建的 Keras 张量携带形状与连接历史信息整个层图可以从任一层递归追溯回来。️ 实战用 Concatenate 搭建双输入神经网络来看一个真实的多输入场景两路图像分别经过不同卷积结构再拼接融合。官方示例 Examples/BasicSamples/MergeExample.cs 展示了完整骨架// 分支一输入 → 卷积 → 池化 → 展平 var input1 new Input(new Shape(32, 32, 3)); var conv1 new Conv2D(32, (4, 4).ToTuple(), activation: relu).Set(input1); var flatten1 new Flatten().Set(new MaxPooling2D((2, 2).ToTuple()).Set(conv1)); // 分支二另一路输入走不同结构 var input2 new Input(new Shape(32, 32, 3)); var conv2 new Conv2D(16, (8, 8).ToTuple(), activation: relu).Set(input2); var flatten2 new Flatten().Set(new MaxPooling2D((2, 2).ToTuple()).Set(conv2)); // 合并两个分支 var merge new Concatenate(flatten1, flatten2); // 多输入、单输出直接交给 Model var model new Model(new BaseLayer[] { input1, input2 }, new BaseLayer[] { /* 最终输出 */ });合并层的实现在 Keras/Layers/Merge.cs目前提供了两种最常用的融合方式Concatenate拼接两个张量保留全部特征适合两个分支提取的是不同类型的信息如 RGB 与灰度Add逐元素相加要求形状完全一致适合残差式融合⚠️ 注意Concatenate默认沿最后一维拼接两个分支展平后的维度不同时需要先用Reshape或Dense对齐形状。多输入模型的训练与预测训练多输入模型时输入数据直接传数组的数组即可。Keras/Models/BaseModel.cs 中的Fit、Predict都重载了多输入/多输出签名// 两路输入训练 model.Fit(new NDarray[] { x1, x2 }, y, batch_size: 64, epochs: 10); // 多输出预测 var outputs model.PredictMultipleOutputs(x);如果输入层在创建时指定了name甚至可以直接用名字 → 数组的字典方式喂数据可读性更好。 常见坑与最佳实践先 Sequential够不到再升级 Model能写成直线的网络就别用 Functional APISequential 代码更少、出错更少。分支末端对齐形状合并前用Summary()打印模型结构检查每个分支的输出形状形状不匹配是最常见的报错来源。给 Input 起名字new Input(new Shape(...), name: image)后训练、预测都可以按名字传参多输入网络不再猜顺序。保存格式通吃无论哪种 API 构建的模型都支持ToJson、SaveWeight、SaveTensorflowJSFormat、SaveOnnx等导出方式多输入模型同样适用。复用预训练分支Functional API 让把 ResNet 当第一路分支成为可能——用 Keras/Applications/ResNet.cs 加载预训练网络取出某一层作为分支输出即可这是构建复杂多输入模型的常用套路。✅ 总结一张表看懂怎么选维度SequentialModelFunctional API输入数量仅 1 个1 个或多个输出数量仅 1 个1 个或多个分支/合并❌ 不支持✅ 支持Concatenate、Add代码量最少中等典型场景XOR、MNIST、简单分类器双塔模型、多模态融合、残差网络源码位置Sequential.csModel.cs记住一个心法Sequential 是 Model 的特例。你的网络只要能画成一条线就用 Sequential只要图中出现分叉或汇合就切换到 Functional API。掌握了这个判断标准你就能在 Keras.NET 中从容构建任意结构的复杂神经网络了 【免费下载链接】Keras.NETKeras.NET is a high-level neural networks API for C# and F#, with Python Binding and capable of running on top of TensorFlow, CNTK, or Theano.项目地址: https://gitcode.com/gh_mirrors/ke/Keras.NET创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考