[tensorflow2.0]tensorflow中的子类、父类、超类

  在使用tensorflow2.0搭建自定义层时，经常会将kears.Model类和keras.layers.Layer类作为父类。通常，继承Model的子类用来定义外部模型，作为训练的对象。继承Layer类来定义内部计算块。
  super() 函数是用于调用父类(超类)的一个方法。super() 是用来解决多重继承问题的，直接用类名调用父类方法在使用单继承的时候没问题，但是如果使用多继承，会涉及到查找顺序（MRO）、重复调用（钻石继承）等种种问题。

tf.keras.layers.Layer类

  Keras 的一个中心抽象是Layer 类 。层封装了状态（层的“权重”）和从输入到输出的转换（“调用”，即层的前向传递）。所有的层对象都要继承 Layer 类。而 Layer 类继承自tf.Module类。
  

Layer 类的属性
trainable	布尔型，定义层权重是否可训练
name	层的名字。
dtype	运算结果或权重的数值类型。默认值None为float32。也可以将权重和计算值设为不同的数值类型
dynamic	True：图层只能立刻地运行，并且不可用于生成静态计算图。例如，对于Tree-RNN或递归网络，或者对于使用Python控制流操纵张量的任何层 False：可以使用该层来生成静态计算图

  定义Layer类的子类，常用下列方法：

• __init __() ：使用add_weight()定义自定义图层属性，并创建不依赖于输入形状的图层状态变量。
• build（self，input_shape）：此方法可用于使用add_weight()创建依赖于输入形状的权重。 __call __()将通过调用build()自动构建该层（如果尚未构建）。
• call（self，* args，** kwargs）：在确保已调用build()之后，在call中调用。 call()执行将层应用于输入张量的逻辑（应将其作为参数传递）。您可以选择在call()中使用的两个保留关键字参数是：
  • training（布尔值，无论呼叫处于推理模式还是训练模式）
  • mask（布尔张量编码输入中的掩码时间步长，用于RNN层）
• get_config（self）：返回包含用于初始化此层的配置的字典。如果键与init中的参数不同，则也重写from_config（self）。保存图层或包含该图层的模型时使用此方法。

  举例
  下面代码是一个基本示例：具有两个变量w和b的层，返回y = w. x + b。 它显示了如何实现build（）和call（）。 设置为图层属性的变量将作为图层的权重（在layer.weights中）进行跟踪。

class SimpleDense(Layer):

  def __init__(self, units=32):
      super(SimpleDense, self).__init__()
      self.units = units

  def build(self, input_shape):  # 定义权重W并赋值
    w_init = tf.random_normal_initializer()
    self.w = tf.Variable(
        initial_value=w_init(shape=(input_shape[-1], self.units),
                             dtype='float32'),
        trainable=True)
    b_init = tf.zeros_initializer()
    self.b = tf.Variable(
        initial_value=b_init(shape=(self.units,), dtype='float32')