Tensorflow 通过Sequential（）实现网络和直接实现网络之间的区别？

及

这两种实现之间的区别是什么？我知道这两个都做同样的事情

我试图使用TensorFlow实现Inception模型，但在实现Inception\u block函数时遇到了一个问题。我可以采用第二个版本并开始使用下面提到的代码，但我想使用Sequential（）和add（）实现同样的功能

model = tf.keras.layers.Input(shape=(32,32, 3))
model = tf.keras.layers.Dense(10)(model)

根据文件：

定义模型有3种方法：

• 顺序：（您的第一种方法）顺序模型，非常简单（一个简单的层列表），但仅限于层的单个输入、单个输出堆栈（顾名思义）

• Functional API：（您的第二种方法）Functional API，它是一种易于使用、功能齐全的API，支持任意模型架构。对于大多数人和大多数用例，这是您应该使用的

• 模型子类化：在这里，您可以自己从头开始实现一切。如果您有复杂的开箱即用的研究用例，请使用此选项

所以，因为初始模型有分支，所以不能使用顺序模型来实现。您应该使用函数API，或者从模型创建一个子类，从头开始实现您的模型

---

请注意，即使是函数式API也有一些限制。它仅适用于层的有向无环图的模型，例如MobileNet、Inception等（没有循环或循环的模型）。对于更奇特的体系结构，例如动态和递归网络或可能动态更改的体系结构，您必须使用模型子类化。

您问错了问题，初始块不是一组连续的层，因此，它不能使用顺序模型来实现。@Dr.Snoopy，但有没有办法在Keras中以并行方式堆叠多个顺序模型？没有，使用函数API。

model = tf.keras.layers.Input(shape=(32,32, 3))
model = tf.keras.layers.Dense(10)(model)

def inception_block(model, filter_map):
  path1 = tf.keras.layers.Conv2D(filter_map[0], (1, 1), padding='same', activation='relu')(model)
  
  path2 = layers.Conv2D(filter_map[1], (1, 1), padding='same', activation='relu')(model)
  path2 = layers.Conv2D(filter_map[2], (1, 1), padding='same', activation='relu')(path2)

  return tf.concat([path1, path2], axis=3)

input_ = tf.keras.layers.Input(shape=(32, 32, 3))
input_tensor = tf.keras.layers.experimental.preprocessing.Resizing(224, 224, interpolation="bilinear", input_shape=x_train.shape[1:])(input_)
x = tf.keras.layers.Conv2D(64, 7, strides=2, padding='same', activation='relu')(input_tensor)
x = tf.keras.layers.MaxPooling2D(3, strides=2)(x)
x = tf.keras.layers.Conv2D(64, 1, strides=1, padding='same', activation='relu')(x)
x = tf.keras.layers.Conv2D(192, 3, strides=1, padding='same', activation='relu')(x)
x = tf.keras.layers.MaxPooling2D(3, strides=2)(x)
x = inception_block(x, [64, 64, 192])
x = tf.keras.layers.MaxPooling(3, strides=2)(x)