三、Functional API
Functional API(下称FAPI)实现了模型的大一统，也就是Sequential Model可以做的他都可以做。
它的核心思想就是：所有model都是可调用的(All models are callable, just like layers)
首先是所有的layer或者model都是可调用的，如果十分熟悉python的童鞋一定知道__call__这个内部函数，如果你实现了这个参数，那么这个类就可以被当成函数一样调用，如果去看Keras源码或者自己实现一个自定义的layer的话，call函数是Keras要求必须要实现的（为什么是call而不是__call__,我想应该是compile函数在起作用，具体是不是等看完源码再分享给大家）。
其次就是layer的无差别对待，其实这是很容易理解的，因为无论你是layer还是model输入是tensor输出也是tensor，这些东西其实在Keras看来无差别的，所以FAPI可以无差别的对待。
1. Example
model = any_sequentail_model x = Input(shape=(784,)) y = model(x)如果是sequence input也很好办
input_sequences = Input(shape=(20, 784)) processed_sequences = TimeDistributed(model)(input_sequences)这样就可以实现时序的输入。
2. Multi Input
大家在读论文的是时候很多情况下并不是一个简单的模型在跑，而是多个模型同时跑，然后进行伟大的模型融合或者层参数的共享，这时候就会用到多输入。
a.Merge
这是多输入问题中经常会碰到的，就想下面的这个情况，两个输入同时输入到merge_1 层
这时候最好的办法就是使用Keras的多输入。使用起来也十分的简单：
`x = merge([lstm_out, auxiliary_input], mode='concat')`tips :
mode可以取值sum,mul,concat,ave,join,cos,dot你能想到的第一个意思可以mode没跑了。紧接着就可以把x当成普通的层的输出进行使用。
b.Share
这个share和merge有所不同，merge是将输入进行组合之后然后输入，share是多个输入同时共享一个层，虽然都是有多个输入，但是他们对layer的理解确实千差万别。
tweet_a = Input(shape=(140, 256)) tweet_b = Input(shape=(140, 256)) # this layer can take as input a matrix # and will return a vector of size 64 shared_lstm = LSTM(64) # when we reuse the same layer instance # multiple times, the weights of the layer # are also being reused # (it is effectively *the same* layer) encoded_a = shared_lstm(tweet_a) encoded_b = shared_lstm(tweet_b)多个input同时share一个层的时候，如果没有merge就会有多个output（除非丢弃）。
3.Model
a.Construction
model = Model(input=[input_a, input_b], output=output)输入就是单输入和多输入的输入，输出为经过若干层之后的输出。当存在多输入的时候，如果没有merge，那么就需要对每一个输出建立一个model，并且进行相应的compile。本代码样例中是对input进行了merge。
理解模型的建立其实很简单，就是我这个输出（肯定是单输出）需要用到什么输入，我对应的input参数就是包括哪些输入。
b. Compile
模型的编译跟
Sequential是一样的。但是有一点要补充的是由于有多输出的问题，所以可以通过name属性定义的名字，对每一个输出采用特定的loss func。同时也可以通过loss_weight指定参数的权重。
model.compile(optimizer='rmsprop', loss='binary_crossentropy',loss_weights=[1., 0.2])