tensorflow2.0 自定义类模块打印问题

明明tensorflow1x就没有学好，现在换了2，那就再从头学起叭

在自定义类模块打印遇到了各种bug，在此记录一下，也希望可以帮助到有需要的伙伴。

 

如果你自定义类代码写成如下格式

import tensorflow as tf
from tensorflow.keras.models import Model

class SAEModel(Model):
    def __init__(self, input_shape, output_shape, hidden_shape=None):
        # print("init")
        # 隐藏层节点个数默认为输入层的3倍
        if hidden_shape == None:
            hidden_shape = 3 * input_shape
        # 调用父类__init__()方法
        super(SAEModel, self).__init__()

        # 初始化模型使用的layer，layer_1为前述自定义layer
        self.layer_1 = SAELayer(hidden_shape)
        # layer_2为全连接层，采用sigmoid激活函数
        # 每层在这里可以不考虑输入元素个数，但必须考虑输出元素个数
        # 输入元素个数可以在call()函数中动态确定
        self.layer_2 = layers.Dense(output_shape, activation=tf.nn.sigmoid)


    def call(self, input_tensor, training=False):
        # 输入数据
        hidden = self.layer_1(input_tensor)
        output = self.layer_2(hidden)
        return output

那么会报错如下，提示你需要使用model.build(input_shape=)方法。但是！我这个input_shape参数我输入总是出现各种错误。

有时打印出来的模型框架也不理想，如下图

在多方搜索后，看到了某位大神的代码，然后修改自己代码，完美输出。

https://blog.csdn.net/qq_40642546/article/details/106622996

class MyLstm(tf.keras.Model):
    def __init__(self, voca_len, out_len, max_len, batch_size, embedding_dim, unit_num, embed_matrix = None):

#==============================================
        super().__init__()    
# =============================================

        self.voca_len = voca_len
        self.out_len = out_len
        self.max_len = max_len
        self.batch_size = batch_size
        self.embedding_dim = embedding_dim
        self.unit_num = unit_num
        self.embed_matrix = None
        
        self.input_layer = Input(max_len,
                                 name = 'inputs')
        if self.embed_matrix == None:
            self.embedding_layer = Embedding(input_dim = self.voca_len,
                                             output_dim = self.embedding_dim,
                                             input_length = self.max_len,
                                             trainable = True,
                                             name = 'embedding')                                            
        else:
            self.embedding_layer = Embedding(input_dim = self.voca_len,
                                             output_dim = self.embedding_dim,
                                             weights = [self.embed_matrix],
                                             input_length = self.max_len,
                                            name = 'embedding')              
        self.lstm_layer = LSTM(units=self.unit_num,
                               activation = 'relu',
                               name = 'LSTM')        
        self.out_layer = Dense(units=self.out_len,
                               name = 'Train_out')   
                            
        self.out = self.call(self.input_layer)    # ！！！！！
        
# ================================================
        super().__init__(inputs=self.input_layer,
                         outputs=self.out)
#=================================================
    
    def build(self):
        self.is_graph_network = True
        self.__init__graph_network(inputs=self.input_layer,
                                   outputs = self.out)
        
    def call(self, x, from_logits=False, training=True, mask=None):
        embed_matrix = self.embedding_layer(x)
#         print(embed_matrix)
        lstm_output= self.lstm_layer(embed_matrix)
        logits = self.out_layer(lstm_output)
        if from_logits:
            return logits
        else:
            return tf.nn.sigmoid(logits)

model = MyLstm(voca_len=394, out_len=504, max_len=29, embedding_dim=23, unit_num=100, batch_size=2)
model.summary()

关键的地方在上面的代码中做了注释，两次初始化很重要，至于为啥这么写。。。

emmmmm 我先会用叭