该模型是使用功能性API模型 https://keras.io/getting-started/functional-api-guide/
基本上它的工作原理是这样的（也许如果你在阅读本文之前转到下面的“附带问题2”，它可能会变得更清楚）：
- 你有一个输入张量（您也可以将其视为“输入数据”）
- 您创建（或重用）图层
- 您将输入张量传递给一个层（您用输入“调用”一个层）
- 你得到一个输出张量
您继续使用这些张量，直到创建了整个张量graph.
但这还没有创建一个“模型”。 （你可以训练和使用其他东西）。
你所拥有的只是一张图表，告诉你哪些张量去哪里。
要创建模型，您需要定义其起点和终点。
在例子中。
- 他们采用现有模型：
model = keras.applications.InceptionV3(...)
- 他们想要扩展这个模型，所以他们得到了它输出张量:
model.output
- 他们将此张量作为输入
GlobalAveragePooling2D层
- 他们得到该层的输出张量为
new_output
- 他们将其作为输入传递给另一层：
Dense(N_CLASSES, ....)
- 并得到它的输出
new_output（这个变量被替换，因为他们对保留其旧值不感兴趣......）
但是，由于它与函数式 API 一起使用，我们还没有模型，只有图表。为了创建模型，我们使用Model定义输入张量和输出张量：
new_model = Model(old_model.inputs, new_output)
现在你有了你的模型。
如果你像我一样在另一个变量中使用它（new_model），旧模型仍然存在model。这些模型共享相同的层，每当你训练其中一个模型时，另一个模型也会更新。
问题：它如何知道我们想要在中间添加哪些其他层？
当你这样做时：
outputTensor = SomeLayer(...)(inputTensor)
输入和输出之间有连接。 （Keras 将使用内部张量流机制并将这些张量和节点添加到图中）。如果没有输入，输出张量就不可能存在。整个InceptionV3模型从头到尾都是连接的。它的输入张量经过所有层以产生输出张量。数据遵循的方式只有一种可能，而图表就是方式。
当您获得该模型的输出并使用它来获得进一步的输出时，所有新输出都将连接到此模型，从而连接到模型的第一个输入。
大概是属性_keras_history添加到张量中的值与其跟踪图的方式密切相关。
所以，做Model(old_model.inputs, new_output)自然会遵循唯一可能的方式：图表。
如果您尝试使用未连接的张量执行此操作，您将收到错误。
附带问题1
更喜欢从“keras.models”导入。基本上，该模块将从其他模块导入：
- https://github.com/keras-team/keras/blob/master/keras/models.py https://github.com/keras-team/keras/blob/master/keras/models.py
请注意该文件keras/models.py进口Model from keras.engine.training。所以，这是同样的事情。
附带问题2
它不是new_layer = keras.layers.Dense(...)(prev_layer).
It is output_tensor = keras.layers.Dense(...)(input_tensor).
你在同一行做两件事：
- 创建一个图层 - 使用
keras.layers.Dense(...)
- 使用输入张量调用层以获得输出张量
如果您想使用具有不同输入的同一层：
denseLayer = keras.layers.Dense(...) #creating a layer
output1 = denseLayer(input1) #calling a layer with an input and getting an output
output2 = denseLayer(input2) #calling the same layer on another input
output3 = denseLayer(input3) #again
奖励 - 创建一个与顺序模型相同的功能模型
如果您创建此顺序模型：
model = Sequential()
model.add(Layer1(...., input_shape=some_shape))
model.add(Layer2(...))
model.add(Layer3(...))
你所做的与以下完全相同：
inputTensor = Input(some_shape)
outputTensor = Layer1(...)(inputTensor)
outputTensor = Layer2(...)(outputTensor)
outputTensor = Layer3(...)(outputTensor)
model = Model(inputTensor,outputTensor)
有什么不同？
嗯，函数式 API 模型是完全免费的，可以按照您想要的方式构建。您可以创建分支：
out1 = Layer1(..)(inputTensor)
out2 = Layer2(..)(inputTensor)
您可以加入张量：
joinedOut = Concatenate()([out1,out2])
有了这个，您可以创建anything你想要各种奇特的东西，分支，门，串联，添加等等，这是顺序模型无法做到的。
事实上，一个Sequential模型也是一个Model，但创建它是为了在没有分支的模型中快速使用。
