怎样判断keras模型是否使用了tpu_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》

上一篇文章  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 output1314    # 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。

上一篇文章 中简单的线性模型 y_pred = a * X + b ，我们可以通过模型类的方式编写如下：

1import tensorflow as tf 2 3X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]) 4y = tf.constant([[10.0], [20.0]]) 5 6 7class Linear(tf.keras.Model): 8    def __init__(self): 9        super().__init__()10        self.dense = tf.keras.layers.Dense(11            units=1,12            activation=None,13            kernel_initializer=tf.zeros_initializer(),14            bias_initializer=tf.zeros_initializer()15        )1617    def call(self, input):18        output = self.dense(input)19        return output202122# 以下代码结构与前节类似23model = Linear()24optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)25for i in range(100):26    with tf.GradientTape() as tape:27        y_pred = model(X)      # 调用模型 y_pred = model(X) 而不是显式写出 y_pred = a * X + b28        loss = tf.reduce_mean(tf.square(y_pred - y))29    grads = tape.gradient(loss, model.variables)    # 使用 model.variables 这一属性直接获得模型中的所有变量30    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))31print(model.variables)

这里，我们没有显式地声明 a 和 b 两个变量并写出 y_pred = a * X + b 这一线性变换，而是建立了一个继承了 tf.keras.Model 的模型类 Linear 。这个类在初始化部分实例化了一个 全连接层 (tf.keras.layers.Dense )，并在 call 方法中对这个层进行调用，实现了线性变换的计算。

Keras 的全连接层：线性变换 + 激活函数

全连接层 (Fully-connected Layer，tf.keras.layers.Dense ) 是 Keras 中最基础和常用的层之一，对输入矩阵   进行  的线性变换 + 激活函数操作。如果不指定激活函数，即是纯粹的线性变换 。具体而言，给定输入张量 input = [batch_size, input_dim] ，该层对输入张量首先进行 tf.matmul(input, kernel) + bias 的线性变换 ( kernel和 bias 是层中可训练的变量)，然后对线性变换后张量的每个元素通过激活函数 activation ，从而输出形状为 [batch_size, units] 的二维张量。

其包含的主要参数如下：

• units ：输出张量的维度；

• activation ：激活函数，对应于  中的  ，默认为无激活函数( a(x) = x )。常用的激活函数包括tf.nn.relu，tf.nn.tanh和tf.nn.sigmoid ；

• use_bias ：是否加入偏置向量 bias ，即  中的 。默认为 True ；

• kernel_initializer、bias_initializer：权重矩阵 kernel 和偏置向量 bias 两个变量的初始化器。默认为 tf.glorot_uniform_initializer^[1] 。设置为 tf.zeros_initializer 表示将两个变量均初始化为全 0；

该层包含权重矩阵 kernel = [input_dim, units]和偏置向量 bias = [units] ^[2] 两个可训练变量，对应于   中的    和 。

[1] Keras 中的很多层都默认使用 tf.glorot_uniform_initializer 初始化变量，关于该初始化器可参考 https://tensorflow.google.cn/api_docs/python/tf/glorot_uniform_initializer。

[2] 你可能会注意到， tf.matmul(input, kernel) 的结果是一个形状为 [batch_size, units] 的二维矩阵，这个二维矩阵要如何与形状为 [units] 的一维偏置向量 [bias] 相加呢？事实上，这里是 TensorFlow 的 Broadcasting 机制在起作用，该加法运算相当于将二维矩阵的每一行加上了 [bias]。Broadcasting 机制的具体介绍可见 https://tensorflow.google.cn/xla/broadcasting。

为什么模型类是重载 call() 方法而不是 __call__() 方法？

在 Python 中，对类的实例 myClass 进行形如 myClass() 的调用等价于 myClass.__call__() 。那么看起来，为了使用 y_pred = model(X) 的形式调用模型类，应该重写  __call__() 方法才对呀？原因是 Keras 在模型调用的前后还需要有一些自己的内部操作，所以暴露出一个专门用于重载的 call() 方法。 tf.keras.Model 这一父类已经包含  __call__() 的定义。  __call__() 中主要调用了 call() 方法，同时还需要在进行一些 keras 的内部操作。这里，我们通过继承 tf.keras.Model 并重载 call() 方法，即可在保持 keras 结构的同时加入模型调用的代码。

福利 | 问答环节

我们知道在入门一项新的技术时有许多挑战与困难需要克服。如果您有关于 TensorFlow 的相关问题，可在本文后留言，我们的工程师和 GDE 将挑选其中具有代表性的问题在下一期进行回答～

在上一篇文章《TensorFlow 2.0 基础：张量、自动求导与优化器》中，我们对于部分具有代表性的问题回答如下：

Q1：为什么我感觉反而变麻烦了，如果我有一个很大的网络，难道要把整个网络都包在 tape 上下文里吗？感觉很别扭。A：当模型变得日益复杂时，我们可以使用本文所介绍的方法，将较大的网络结构封装在 tf.keras.Model 的模型类中。这样，只需实例化所建立的模型，并在 tf.GradientTape 的上下文中使用形如 y_pred = model(X) 的方式调用模型，即可清晰明了地调用模型，而无需将整个网络的代码都显式地放在 tape 的上下文中。后续的文章将会对此给出具体的示例。

Q2：可以总结下 1.X 中有哪些常用功能被废弃了嘛。

A：主要包括以下几点：

• 鼓励大家使用即时运行机制(Eager Execution)来更直观地编写、调试模型，而非 TensorFlow 1.X 中基于显式建立图模型的编写方式。这也是本系列文章所希望介绍的主要内容。也就是说，在 1.X 中熟悉的 tf.Session, tf.placeholder 等都将不再鼓励使用。如果确实需要使用图模式，可以使用 @tf.function。

• 对大量 API 进行了清理，尤其是减少了重复的 API 数量(比如取消了 tf.layers)。大部分 API 统一到了 tf.keras 内，鼓励大家使用 tf.keras 构建和训练模型。

• 变量的声明方式也有了很大的改变。tf.get_variable()，tf.variable_scope()， tf.global_variables_initializer() 等全局的，基于变量名称的 API 都不再使用，转而使用和原生 Python 更加接近的 tf.Variable。和普通的 Python 程序一样，你需要自己管理程序中的变量。

• tf.contrib 退出历史舞台。

• 更多内容可参考：

  • https://tensorflow.google.cn/beta/guide/effective_tf2

  • https://tensorflow.google.cn/beta/guide/migration_guide

Q3：TensorFlow Lite 和 TensorFlow 2.0 是一样的使用方法吗？

A：TensorFlow Lite 是一个帮助你在移动端或嵌入式平台高效运行 TensorFlow 模型的库。和我们在本系列文章中介绍的 TensorFlow 2.0 是很有区别的。简单而言，我们一般用 TensorFlow 2.0 训练模型，而当我们需要在移动端或者嵌入式平台运行模型时，则将训练好的模型进行导出，使用 TensorFlow Lite 的转换器(Converter)转换为特定的格式，并使用 TensorFlow Lite 的解释器(Interpreter)在特定平台上高效运行模型。目前在 TensorFlow Lite 下并无法编写和训练模型。

Q4：STN 空间变换网络是预训练好的模型吗，还是需要自己训练？

A： 大部分情况下，网络的类型和模型是否有预训练过没有直接关系。如果有人用这个网络训练过并且将模型和训练好的权值公开出来，那就可以直接使用这个其他人预训练好的模型。如果没人公开，也可以自己训练。一些较为常用的网络结构(例如 Universal Sentence Encoder)往往有预训练好的模型供下载，可以访问 TensorFlow Hub 作进一步了解。目前我们还没有在网络上发现空间变换网络(Spatial Transformer Networks)的预训练模型，不过有一些基于 TensorFlow 的  开源实现  可以参考。 注：TensorFlow Hub 链接 https://tensorflow.google.cn/hub  https://tfhub.dev/ 开源实现 链接 https://github.com/kevinzakka/spatial-transformer-network

《简单粗暴 TensorFlow 2.0 》目录

• TensorFlow 2.0 安装指南

• TensorFlow 2.0 基础：张量、自动求导与优化器

• TensorFlow 2.0 模型：模型类的建立(本文)