flatten层_机器学习的基础实现（六）：自定义模型和层

这一节开始，介绍一下tensorflow里的自定义功能，主要是自定义模型和自定义层的计算，这部分会涉及tf里函数式API编程的应用。自定义这些主要是为了让模型更加灵活，能够以自己定义的方式输出结果。像深度学习里比较常用的各种XXNet，都是这类自定义的层和模型组合起来的结果，之后我可能也会写一些比较经典的整合模型的结构。

首先先介绍下模型的自定义（Model），这部分和常用的Senquential类构造模型很相似。这里我们介绍另外一种基于tf.kears.Model类的模型构造方法。

以之前用过的多层感知机（MLP）为例，构建一个包含2层全连接层的模型。这里定义的MLP类重载了tf.kears.Model类的__init__函数和call函数。它们分别用于创建模型参数和定义前向计算。

import tensorflow as tf
import numpy as np

#自定义MLP模型结构

class MLP(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.flatten = tf.keras.layers.Flatten()
        self.dense1 = tf.keras.layers.Dense(units=256, activation='relu')
        self.dens