Keras 入门教程：从 Sequential 到迁移学习

1. Keras 是什么？

Keras 是 TensorFlow 的官方高级 API，核心理念是"让深度学习变得简单"。它抽象了张量运算、自动微分、GPU 调度等底层细节，让开发者专注于模型架构。

三大编程范式

范式	API	适用场景
Sequential	keras.Sequential	层堆叠的简单模型
Functional	keras.Model	多输入/输出、共享层、残差连接
Subclassing	class MyModel(keras.Model)	自定义训练逻辑、研究实验

2. Sequential 入门

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax'),
])

Sequential 假设"输入→层1→层2→...→输出"的线性拓扑。input_shape 仅需在第一层指定。

3. Functional API：多输入多输出

inputs = keras.Input(shape=(784,))
x = layers.Dense(64, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)
model = keras.Model(inputs=inputs, outputs=outputs)

Functional API 的核心：层是函数，接受张量返回张量。这让你可以构建 DAG（有向无环图）——跳过连接、分支、合并等复杂拓扑。

4. Subclassing：完全控制

class MyModel(keras.Model):
    def __init__(self):
        super().__init__()
        self.dense1 = layers.Dense(64, activation='relu')
        self.dense2 = layers.Dense(10, activation='softmax')

    def call(self, inputs):
        x = self.dense1(inputs)
        return self.dense2(x)

Subclassing 适合研究场景，但不会自动暴露层结构——model.summary() 需先 build。

5. 回调（Callbacks）与训练监控

callbacks = [
    keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True),
    keras.callbacks.ModelCheckpoint('best.keras', save_best_only=True),
    keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=2),
]

model.fit(x_train, y_train, epochs=50, callbacks=callbacks, validation_split=0.1)

推荐底线配置：EarlyStopping + ModelCheckpoint 至少这两个。

6. 迁移学习实战（Keras 3.0）

# 加载预训练模型
base_model = keras.applications.EfficientNetV2B0(
    include_top=False,
    weights='imagenet',
    input_shape=(224, 224, 3)
)
base_model.trainable = False  # 冻结

# 添加自定义分类头
inputs = keras.Input(shape=(224, 224, 3))
x = base_model(inputs, training=False)
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dropout(0.2)(x)
outputs = layers.Dense(10, activation='softmax')(x)
model = keras.Model(inputs, outputs)

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

先用冻结 backbone 训练分类头（5-10 epoch），再解冻微调（学习率降低 10x）。

7. 常见坑与调试

问题	原因	解决
shape mismatch	Dense 输出与标签维度不一致	确认最后一层 units == num_classes
loss 不下降	学习率太大/太小	从 1e-3 开始，使用 ReduceLROnPlateau
OOM	batch_size 太大	减小到 32 或 16
训练过拟合	数据少/无正则化	加 Dropout + 数据增强

思考题

1. Functional API 相比 Sequential 的不可替代场景有哪些？
2. BatchNormalization 在 activation 之前还是之后？为什么？
3. 迁移学习中为什么先冻结 backbone → 再微调，而不是直接全部训练？