在tensorflow中自定义层

import tensorflow as tf
from tensorflow.keras import layers
class Linear(layers.Layer):
	def __init__(self,units=32):
		super(Linear,self).__init__()
		self.units=units
	def build(self,input_shape):
		self.w=self.add_weight(shape=(input_shape[-1],self.units),initializer='random_normal',trainable=True)
		self.b=self.add_weight(shape=(self.units,),initializer='random_normal',trainable=True)
	def call(self,inputs):
		return tf.matmul(inputs,self.w)+self.b

采用了类的继承，自定义一个层主要包括三部分：
init()负责初始化对象，给定层的输出维数。
build()为层增加初始化可变权重和可变偏置量。
call()则是按层的运算公式返回值。

上述的自定义层定义了动态输入维数，也就是说其输入维数根据前一层的输出确定。
可以用以下程序验证：

x=tf.ones((2,2))
print(x)
linear_layer=Linear(4,2)
y=linear_layer(x)
print(y)

有了自定义层之后，自定主模型就简单了：

class ResNet(tf.keras.Model):
    def __init__(self):
        super(ResNet,self).__init__()
        self.block_1=ResNetBlock()
        self.block_2=ResNetBlock()
        self.global_pool=layers.GlobalAveragePooling2D()
        self.classifier=Dense(num_classes)
    def call(self,inputs):
        x=self.block_1(inputs)
        x=self.block_2(x)
        x=self.global_pool(x)
        return self.classifier(x)

注意这里面的ResNetBlock（）要用层代替呐。