第25.1.2节 KerasSequential组件

Keras是构建深度学习模型的高阶API，Keras有两种类型的模型：

• 序贯模型(Sequential)：自上而下，依次排列，每层单输入单输出，层与层之间只有相邻关系，没有跨层连接。
• 函数式模型(Model)：需要使用有向图表示，每层相当于图中的一个节点，多输入多输出，层与层之间任意连接。

Alink提供了KerasSequential组件，支持了Keras序贯模型(Sequential)，一方面是其输入形式简单，易于理解，可以表示大多数深度模型；另一方面，序贯模型中可以插入TF Hub的预训练模型作为其一层，这种组合提升了序贯模型的模型表现能力和实用性。

Alink的KerasSequential组件分为：KerasSequentialClassifier分类器组件、KerasSequentialRegressor回归器组件。这两个组件分别针对分类场景和回归场景进行了改进，精简了需要用户做的操作。

下面通过一个例子，帮助读者深入理解上面的概念，手写识别MNIST的模型摘要如下

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 784)]             0         
_________________________________________________________________
dense (Dense)                (None, 64)                50240     
_________________________________________________________________
dense_1 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_2 (Dense)              (None, 10)                650       
=================================================================
Total params: 55,050
Trainable params: 55,050
Non-trainable params: 0
_________________________________________________________________

在计算图中显示隔层的输入和输出内容如下：

使用Keras Python脚本，定义如下。省略了输入层的定义，最后一层的长度与识别的类别总数相同，为10。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential(
    [
        layers.Dense(64, activation='relu'),
        layers.Dense(64, activation='relu'),
        layers.Dense(10),
    ]
)

使用Alink KerasSequential组件表示如下，参数TensorCol为Tensor类型输入列的名称，组件会根据输入数据的shape，确定模型第一层的设置；参数LableCol为标签列的名称，用户不需要统计标签的类别数，不需要将不同类型的标签值统一为索引数，KerasSequentialClassifier组件会根据标签列的数据，自动进行统计和转换，并且在预测的时候，也会自动转换为原始的标签值。用户只需要设置中间各层的信息，每层用一个字符串表示，字符串的内容就是对应的Keras Python脚本中每层的定义代码去掉前缀“layers.”。

new KerasSequentialClassifier()
    .setTensorCol("tensor")
    .setLabelCol("label")
    .setLayers(
    "Dense(64, activation='relu')",
    "Dense(64, activation='relu')"
    )