Tensorflow2.0自定义层及其模型

•  前言

Tensorflow2.0中引入了keras库，极大的简化了我们搭建网络的复杂度；同时eager模式的引入，更加方便了我们对代码的编写及其调试。我们知道原始的keras框架可定制性不强，但在tensorflow2.0中可以自定义我们的每一层和模型。

• 正文：

下列为使用Sequential（容器）搭建多全连接层网络，我没有去查看源码，但我确定它肯定是继承了keras.Model类；因此它可以调用build()配置参数，调用fit()进行训练。

在tf2.0中，我们创建的Sequential的model直接可以直接model(输入)进行正向传播，拿到输出值，不需要调用第一层的call()方法将输入值输入到第一层，获得输出再输入第二层，这样一步一步得到最终的输出；其实这些操作在model.call()中已经被实现；即执行model(输入)操作时，底层会自动调用model.call()方法。

1）自定义层：

如果我们不仅限使用上述的layers.Dense()，而是自定义我们的全连接层，该怎么做呢？其实非常简单，只需要我们自定义类继承keras.layers.Layers类，同时我们要实现该父类的一些方法，包括：

1. __init()__ 
2. call() :这里实现自定义逻辑

这里我们自定义一个全连接层MyDense()，同时实现了 __init()__ 方法，在这里定义了2个变量分别为w和b;注意：我们的自定义的2个变量一定要使用add_variable()这种方法创建，因为我们要让创建的变量交由上上文管理器进行管理，而不能使用tf.constant()类似的方法创建变量。call() 方法中返回该层进行自定义操作的结果，下面这里直接传统的全连接运算，返回运算结果。training也是要经常根据自己的业务逻辑进行处理的。

2）自定义模型：

对比自定义层，自定义模型稍微复杂些，同样自定义类继承keras.Model类，同时我们要实现该父类的一些方法，包括：

1. __init()__ 
2. call() :这里实现自定义逻辑
3. compile()
4. fit()
5. evaluate()
6. predict()

 下面自定义了一个名为MyModel的模型，在__init__（）中我们自定义的添加一些全连接层；同时在call()方法中指定这些全连接层如何进行传递的；我们没有重写compile()、fit()、evaluate()、predict()等方法。

后面会抽出时间去读一些这些方法的源码，做到查缺补漏。