Keras布局在Tensorflow中是如何工作的
How does Keras layout works in Tensorflow
我正在测试 Tensorflow，但我无法弄清楚模型的结构。比如官方文档中有如下说明：
A Sequential model is appropriate for a plain stack of layers where each layer has exactly one input tensor and one output tensor.
...
A Sequential model is not appropriate when:
- Your model has multiple inputs or multiple outputs
- Any of your layers has multiple inputs or multiple outputs
- You need to do layer sharing
- You want non-linear topology (e.g. a residual connection, a multi-branch model)
这是否意味着该模型只接受 1 个值类型的数据作为 Input/Output 或仅接受 1 个值作为 Input/Output？
我想做的是使用两个十六进制值来预测第三个十六进制值，为此，我将数据集按位结构化，例如：
hex0[0], hex0[1],.... hex0[n], hex1[0], hex1[1], ... hex1[n], result[0], result[1]... result[n]
0 ,1 ,..., 1 , 1 , 9 , ...,1 , 1 , 1 ,... , 0
keras.Sequential 模型适用于此类问题吗？
这意味着它只接受一种类型的数据（所有值都是数字值或所有值都是分类值），因为在顺序模型中，所有输入值都按顺序通过所有层。
我更喜欢 keras.io 中的文档
https://keras.io/api/models/sequential/#sequential-class
在您的情况下，所有输入数据都是同一类型，因此您可以使用顺序模型。
输入为：[hex0[0],hex1[0]
输出结果[0]
输入和输出数组的形状非常重要。
我正在测试 Tensorflow，但我无法弄清楚模型的结构。比如官方文档中有如下说明：
A Sequential model is appropriate for a plain stack of layers where each layer has exactly one input tensor and one output tensor.
...
A Sequential model is not appropriate when:
- Your model has multiple inputs or multiple outputs
- Any of your layers has multiple inputs or multiple outputs
- You need to do layer sharing
- You want non-linear topology (e.g. a residual connection, a multi-branch model)
这是否意味着该模型只接受 1 个值类型的数据作为 Input/Output 或仅接受 1 个值作为 Input/Output？
我想做的是使用两个十六进制值来预测第三个十六进制值，为此，我将数据集按位结构化，例如：
hex0[0], hex0[1],.... hex0[n], hex1[0], hex1[1], ... hex1[n], result[0], result[1]... result[n]
0 ,1 ,..., 1 , 1 , 9 , ...,1 , 1 , 1 ,... , 0
keras.Sequential 模型适用于此类问题吗？
这意味着它只接受一种类型的数据（所有值都是数字值或所有值都是分类值），因为在顺序模型中，所有输入值都按顺序通过所有层。
我更喜欢 keras.io 中的文档 https://keras.io/api/models/sequential/#sequential-class
在您的情况下，所有输入数据都是同一类型，因此您可以使用顺序模型。
输入为：[hex0[0],hex1[0]
输出结果[0]
输入和输出数组的形状非常重要。