David不经常聊代码，之所以单独post这篇文章，实在是这三种创建模型的方式很有代表性。市面上所有深度模型框架，在创建模型时，也不外乎这三种方式：
第一种，序列模型。这是Keras最简单的构建模型方式（也许是所有框架中最简单构建方式），它顺序地把所有模型层依次定义，可以共享层的定义，多输入输出，但是如果要有分支，自定义层，就很困难了，下面是一个简单例子：
def shallownet_sequential(width, height, depth, classes):
# initialize the model along with the input shape to be
# "channels last" ordering
model = Sequential()
inputShape = (height, width, depth)
# define the first (and only) CONV => RELU layer
model.add(Conv2D(32, (3, 3), padding="same",
input_shape=inputShape))
model.add(Activation("relu"))
# softmax classifier
model.add(Flatten())
model.add(Dense(classes))
model.add(Activation("softmax"))
# return the constructed network architecture
return model
在Keras中只要模型是Sequential类，那就是使用了序列模型。
第二种，函数式模型。熟悉函数式编程的朋友对这种方式很好理解，即一切定义都是基于函数的。这种方式给了自定义层的更大空间，可更简单地定义层的分支，合并（concatenate）等，如下是一个conv层合并pooling层的图示和对应代码：
def downsample_module(x, K, chanDim):
# define the CONV module and POOL, then concatenate
# across the channel dimensions
conv_3x3 = conv_module(x, K, 3, 3, (2, 2), chanDim,
padding="valid")
pool = MaxPooling2D((3, 3), strides=(2, 2))(x)
x = concatenate([conv_3x3, pool], axis=chanDim)
# return the block
return x
使用这个叫做downsample_module的层也非常简单，在最后组合层的时候加入类似序列模型的写法（第8行）：
