模型與層

人工智慧總是會提到模型與層這些名詞。所以先說明一下什麼是模型，什麼是層。

AI說穿了，就是利用多個演算法，產出一組數值。將已知結果的資料演算一下，產生A值，再將要預測結果的資料演算一下，產生B值。然後由A, B這二個數值去比對大小或範圍，判斷出結果。

要完成一個AI的演算，可能簡單到可能只要一種演算法，也可能複雜到上百種演算法。每一種演算法就是一個層。

將多個層統合起來，並在前頭加入輸入資料的功能，中間還加入 fix, predict等功能，最後再加入輸出功能。然後將全部封裝起來，最終形成~~模型。

TensorFlow建議使用Keras(凱拉斯)建立模型。Keras是目前最為流行的神經網路API。裏面的Layer有卷積層(Convolution Layer)、池化層(Pooling Layer)、全連接層(Fully Connected Layer)…等等。將這些Layer連接、組織並進行封裝，成為一個Model. 

自訂模型類別

自訂模型類別需繼承 keras.Model，並覆寫建構子 __init__ 及 call 方法，如下所示

import tensorflow as tf
import keras
class FirstModel(keras.Model):
    def __init__(self):
        super().__init__()
        #初始化程式碼
        #增加 call 方法會用到的層(演算法)，記得加self(物件變數)，如
        # self.layer1 = tf.keras.layers.Dense(...)
    def call(self, input):
        # 此處接收調用此模型的輸入值，並回傳輸出值，如
        #output = self.layer1(input)
        #return output

全連接層

在如下的自訂模型中，使用keras.layers.Dense建立全連接層物件 self.dense。全連接層是Keras最基礎且常用的層，其實就是 ax+b的線性計算，也就是先前的迴歸線計算啦。其中的units為輸出的張量維度 1，kernal_initializer為權重矩陣，bias_initializer 則為偏移量。當調用 model(X)時，就是調用call()方法，並將X傳入。然後傳回ax+b線性計算後的結果。keras.optimizers.SGD則負責學習函數的值。如下的完整代碼，輸出的結果，跟先前所提的迴歸線範例一樣。

所以全連接層其實就是在計算迴歸線嘛!!