前回から随分経ってしまいましたが，Tensorflow/Kerasの勉強した内容をまとめてます．
今回はFunctional モデルの書き方．
前回はSequentialモデルで書いてましたが，これは非常に簡単に記述できる反面，複雑なモデルの記述には適していないとのこと．ちなみに前回はこちら↓
博士，技術士と英検1級：トリプル取得への道
博士，技術士と英検1級：トリプル取得への道
海外で働くことを夢見るアラフィフ理系エンジニアの終わりなき挑戦の日々
そこで，今回はFunctionalモデルで前回と同じプログラムを構築します．
Sequential モデルの場合
先ず，前回の超シンプルな画像フィルタのプログラムです
import numpy as np
from keras.layers import Input, Conv2D
from keras.models import Sequential
#モデルの定義
model1 = Sequential()
model1.add(Input((5,5,1))) #入力画像は5×5の1チャネル
model1.add(Conv2D(1, (3,3), padding='same')) #3×3のフィルタが1つのみ．画像の周囲に0の枠を入れる
# フィルタの重みを設定
w = model1.layers[0].get_weights()
w[0] = np.array([[1,1,1],[1,1,1],[1,1,1]])[:,:,None,None]
w[1] = np.array([-1]) #バイアスの設定
model1.layers[0].set_weights(w)
#モデルの中身を表示
model1.summary()
これを実行すると，
このようになりました．ここで，レイヤーはconv2dのみというのがポイントです．
ここで，5×5の画像として，すべての要素の値が1の画像を入力して，フィルタリングします．
input_img = np.ones((5,5))[None,:,:,None]
output_img = model1.predict(input_img)
print(output_img[0,:,:,0])実行結果は，以下のようになりました．
バイアスを-1に設定してあるので，すべてのピクセル値が1減算されています．
Functional モデルの場合
全く同じことをFunctional モデルで記述します．
import numpy as np
from keras.layers import Input, Conv2D
from keras import Model
#モデルの定義
input_img = Input(shape=(5,5,1))
output_img = Conv2D(1, (3,3), padding='same')(input_img)
model2 = Model(input_img, output_img)
# フィルタの重みを設定
w = model2.layers[1].get_weights() # conv2Dは1番目のレイヤーなので注意（Sequentialでは0番目）
print(w[0].shape)
w[0] = np.array([[1,1,1],[1,1,1],[1,1,1]])[:,:,None,None]
w[1] = np.array([-1])
model2.layers[1].set_weights(w)
# モデルの中身を表示
model2.summary()これを実行すると以下のようになります．
先ほどはconv2dレイヤーのみ表示されましたが，今回はinputレイヤーとconv2dレイヤーの2つあります．なので，重み設定のときも1番目のレイヤーの重みに値を設定しないとエラーになります（Sequentialモデルでは0番目のレイヤー）．
それだけが注意事項で，あとは同じです．
Sequentialモデルと同様に，5×5の画像を入力して結果を表示してみます．
input_img = np.ones((5,5))[None,:,:,None]
output_img = model2.predict(input_img)
print(output_img[0,:,:,0])以下のようになりました．
全く同じです！
Functionalモデルの方がやや複雑なモデル（途中で分岐したり合流する形）も記述できるので，Functionalモデルに慣れておいた方が，より自由度の高いモデルを記述できるようです．
次は，途中で合流するモデルを作成してみたいと思います．