Tensorflow2 Model继承搭建模型

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 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。

class MyModel(tf.keras.Model):
    def __init__(self):
        super().__init__()     # Python 2 下使用 super(MyModel, self).__init__()
        # 此处添加初始化代码（包含 call 方法中会用到的层），例如
        # self.layer1 = tf.keras.layers.BuiltInLayer(...)
        # self.layer2 = MyCustomLayer(...)

    def call(self, input):
        # 此处添加模型调用的代码（处理输入并返回输出），例如
        # x = self.layer1(input)
        # output = self.layer2(x)
        return output

    # 还可以添加自定义的方法

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。

线性回归

import tensorflow as tf


#生成一些数据
x = tf.range(10)
y = tf.range(10,)

x = tf.cast(x, dtype=tf.float32)  #改变类型为float
x = tf.reshape(x, [x.shape[0], 1])   #增加一个维度，使其为二维tensor

y = 2 * tf.cast(y, dtype=tf.float32) + tf.random.normal([10,])  #增加随机扰动
y = tf.reshape(y, [y.shape[0], 1])  #转为二维

optimizer = tf.keras.optimizers.Adam(lr=0.01)  #定义优化器


#创建model
class Model(tf.keras.Model):
    def __init__(self):
        super().__init__()
		#自定义层
        self.layer1 = tf.keras.layers.Dense(1, bias_initializer=tf.zeros_initializer())


    def call(self, input):
    	#自定义模型逻辑
        x = self.layer1(input)

        return x


model = Model()  #实例化这个class

for _ in tf.range(2000):
    with tf.GradientTape() as tape:
        pred = model(x)   #直接使用model(x)即可
        L = tf.reduce_mean(tf.square(pred - y))

    L_gradx = tape.gradient(L, model.variables)   #model.variables获得模型所有参数
    optimizer.apply_gradients(grads_and_vars=zip(L_gradx, model.variables))

    tf.print([L])