在Keras框架下调用TensorFlow代码时的一些技巧

在Keras框架下调用TensorFlow代码时的一些技巧

1. InputLayer作为输入时，部分tf框架的模型会卡死（不报错也不继续运行）具体原因不明，可以在调用前保存该Tensor对象的_keras_history，然后进删除_keras_history字段，再作为tf模型的输入进行使用，待该得到该tf模型的输出，再把之前保存的_keras_history重新赋值给InputLayer的Tensor对象，并且补齐_keras_history[0]的_inbound_nodes[0]所需的数据。

   例如：

   char_ids = Input(batch_shape=(None, None), dtype='int32', name='input_ids')  # Input输入
   elmo_model = ElmoEmbeddingLayer(self.data_config)  # 包装了tf模型的layer
   p = char_ids._keras_history  # 保存输入Tensor的_keras_history
   del(char_ids._keras_history)  # 删除_keras_history
   elmo_embeddings = elmo_model(char_ids)
   char_ids._keras_history = p  # 重新赋值
   
   # 补全_keras_history[0]的_inbound_nodes的内容（这里只有一个inbound_nodes所以只修改了0位置）
   elmo_embeddings._keras_history[0]._inbound_nodes[0].inbound_layers[0] = char_ids._keras_history[0]
   elmo_embeddings._keras_history[0]._inbound_nodes[0].node_indices[0] = 0
   elmo_embeddings._keras_history[0]._inbound_nodes[0].tensor_indices[0] = 0
   

2. 包装tf模型到keras layer的时候，一定要注意compute_output_shape方法和compute_mask方法，尤其是内部会修改维度的操作，这辆个方法一定要体现出维度的修改