lstm keras 权重 理解_Keras作者：TF 2.0＋Keras深度学习研究你需要了解的12件事

【新智元导读】Keras 作者 François Chollet 今天发表了一系列推文，如果你使用 TensorFlow 2.0 + Keras 做深度学习研究，这里有你需要知道的一切。

TensorFlow 2.0 前几天新鲜出炉，Alpha 版可以抢先体验。新版本主打简单易用可扩展，大大简化了 API。

Keras 作者 François Chollet 今天发表了一系列推文，用12个示例解释了使用TensorFlow 2.0 + Keras 的一些重要技巧。

如果你使用 TF 2.0 + Keras 做深度学习研究，这里有你需要知道的一切。

Keras 作者 François Chollet

1)你需要知道的第一个类是 “Layer”。一个 Layer 封装了一个状态 (权重) 和一些计算 (在 “call” 方法中定义)。

2)“add_weight” 方法提供了创建权重的快捷方式。

3)最好在一个单独的 “build” 方法中创建权重，使用你的 layer 看到的第一个输入的形状来调用该方法。这种模式让我们不用必须指定’ input_dim ‘:

4)你可以通过在 GradientTape 中调用 layer 来自动检索该层权重的梯度。使用这些梯度，你可以手动或使用优化器对象来更新 layer 的权重。当然，你也可以在使用梯度之前修改它们。

5)由 layers 创建的权重可以是可训练的，也可以是不可训练的。是否可训练可以在 layer 的属性 “trainable_weights” 和 “non_trainable_weights” 中看到。比如，这是一个具有不可训练权重的层：

6)层可以递归地嵌套，以创建更大的计算块。每一层将跟踪其子层的权重 (包括可训练的和不可训练的)。

7)层会在前向传递时创建损失。这对于正则化损失特别有用。子层创建的损失由父层递归跟踪。

8)这些损失在每次向前传递开始时由顶层清除 —— 它们不会累积。“layer.losses” 总是只包含在 “最后一次” 前向传递时产生的损失。在编写训练循环时，你通常需要将这些损失累加起来使用。

9)TF 2.0 默认情况下是 eager。但是通过将计算编译成静态图，将能够获得更好的性能。静态图是研究人员最好的朋友！你可以通过将其包装在一个 tf.function 中来编译任何函数：

10)有些层，特别是 “BatchNormalization” 层和 “退 Dropout” 层，在训练和推理过程中会表现出不同的行为。对于这样的层，标准做法是在 “call” 方法中加入一个 “training”(boolean) 参数。

11)有很多内置层是可用的，从 Dense 层到 Conv2D 层到 LSTM 层，再到 Conv2DTranspose 或 ConvLSTM2D。你要学会好好重用这些内置函数。

12)要构建深度学习模型，你不必总是使用面向对象编程。到目前为止，我们看到的所有层都可以按函数组合，就像这样 (我们称之为 “Functional API”)：

函数式 API 往往比 subclassing 更简洁，并且还有其他优点。

了解关于 Functional API 的更多信息：

https://www.tensorflow.org/alpha/guide/keras/functional

但是，请注意，函数式 API 只能用于定义层的 DAGs—— 递归网络应该定义为 “Layer” 子类。

在研究工作中，你可能经常发现自己混合匹配了 OO 模型和函数式模型。

以上，就是使用 TensorFlow 2.0 + Keras 来重新实现大多数深度学习研究论文所需要的全部内容！

现在让我们来看一个非常简单的例子：hypernetworks。

hypernetwork 是一个深度神经网络，它的权重由另一个网络 (通常较小) 生成。

让我们实现一个非常简单的 hypernetwork：我们将使用前面定义的 “Linear” 层，并使用它生成另一个 “Linear” 层。

另一个快速示例：以任何一种风格实现 VAE，可以是 subclassing，或者函数式 API。找到最适合你的方法吧！

subclassing

Functional API

最后，你可以在这个 Colab 笔记本中使用这些代码示例：

https://colab.research.google.com/drive/17u-pRZJnKN0gO5XZmq8n5A2bKGrfKEUg