【入门教程】TensorFlow 2.0 模型：模型类的建立

文 /  李锡涵，Google Developers Expert

本文节选自《简单粗暴 TensorFlow 2.0》

 

在《【入门教程】TensorFlow 2.0 基础：张量、自动求导与优化器》中，我们手工实现了一个简单的线性回归模型。不过，当模型变得日益复杂时，直接将模型代码写在主程序中就显得臃肿且难以重用了。于是，我们希望有一个高层的模型类，能够帮助我们将模型进行封装。本篇文章即介绍模型类的建立方法。

在 TensorFlow 中，推荐使用 Keras ( tf.keras ) 构建模型。Keras 是一个广为流行的高级神经网络 API，简单、快速而不失灵活性，现已得到 TensorFlow 的官方内置和全面支持。

Keras 有两个重要的概念： 模型（Model） 和 层（Layer） 。层将各种计算流程和变量进行了封装（例如基本的全连接层，CNN 的卷积层、池化层等），而模型则将各种层进行组织和连接，并封装成一个整体，描述了如何将输入数据通过各种层以及运算而得到输出。在需要模型调用的时候，使用 y_pred = model(X) 的形式即可。Keras 在 tf.keras.layers 下内置了深度学习中大量常用的的预定义层，同时也允许我们自定义层。

Keras 模型以类的形式呈现，我们可以通过继承 tf.keras.Model 这个 Python 类来定义自己的模型。在继承类中，我们需要重写 __init__() （构造函数，初始化）和 call(input) （模型调用）两个方法，同时也可以根据需要增加自定义的方法。

1class MyModel(tf.keras.Model):
2    def __init__(self):
3        super().__init__()
4        # 此处添加初始化代码（包含call方法中会用到的层），例如
5        # layer1 = tf.keras.layers.BuiltInLayer(...)
6        # layer2 = MyCustomLayer(...)
7
8    def call(self, input):
9        # 此处添加模型调用的代码（处理输入并返回输出），例如
10       # x = layer1(input)
11       # output = layer2(x)
12       return output
13
14    # 还可以添加自定义的方法

Keras 模型类定义示意图

 

继承 tf.keras.Model 后，我们同时可以使用父类的若干方法和属性，例如在实例化类 model = Model() 后，可以通过 model.variables 这一属性直接获得模型中的所有变量，免去我们一个个显式指定变量的麻烦。

<