1.3 Functional API
範例程式：
Functional API 是 Keras 中更有彈性的建模方式。當模型不再只是單一路徑，而是需要多輸入、多輸出、分支、合併或跳接時，就會用到 Functional API。
1. 學習目標
這篇用一個簡化的房價預測範例示範多輸入模型：一組輸入是數值特徵，另一組輸入是地區 one-hot 特徵。模型會分別處理兩組輸入，再把它們合併後預測房價。
這個範例的重點不是房價本身，而是讓讀者看懂「不同資料來源可以先走不同分支，再合併成同一個模型」的建模方式。
2. Functional API 的核心概念
Functional API 的寫法像是在組裝資料流：
inputs = tf.keras.Input(shape=(4,))
x = tf.keras.layers.Dense(16, activation='relu')(inputs)
outputs = tf.keras.layers.Dense(1)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
重點是 layer 可以像函數一樣被呼叫，並回傳下一段 tensor。這讓模型結構可以分支、合併與重複使用。
3. 多輸入模型範例
numeric_input = tf.keras.Input(shape=(3,), name='numeric')
area_input = tf.keras.Input(shape=(3,), name='area')
x = tf.keras.layers.Dense(16, activation='relu')(numeric_input)
combined = tf.keras.layers.Concatenate()([x, area_input])
output = tf.keras.layers.Dense(1)(combined)
model = tf.keras.Model(inputs=[numeric_input, area_input], outputs=output)
這種結構很常出現在真實專案：數值資料、類別資料、文字或圖片可能會用不同分支處理，再合併成最後的預測。
4. 何時該用 Functional API？
| 情境 | 建議 |
|---|---|
| 單一路徑模型 | Sequential API 即可 |
| 多輸入資料 | Functional API |
| 多輸出任務 | Functional API |
| 需要分支或合併 | Functional API |
| 需要 skip connection | Functional API |
5. 如何套用自己的資料？
改成自己的資料時，需要確認每個輸入分支的 shape：
- 數值特徵：
Input(shape=(數值欄位數,)) - 類別 one-hot：
Input(shape=(類別展開後欄位數,)) - 圖片：
Input(shape=(height, width, channels)) - 文字序列：
Input(shape=(sequence_length,))
只要資料來源不只一種，或不同特徵需要不同前處理流程，就可以考慮 Functional API。常見例子包括數值特徵加類別特徵、圖片加表格資料、文字加使用者屬性等。
6. 小結
Functional API 是進階 Keras 模型設計的基礎。只要掌握 Input、layer 呼叫、Concatenate 與 Model(inputs, outputs)，就能處理比 Sequential 更接近真實專案的資料型態。