tf2中构建模型的三种方法

0. 背景

tf2版本中，提供了三种不同的模型构建逻辑。

1. sequential API
   适用于层叠式的模型层结构，并且每层都只有一个明确的输入tensor和输出tensor
2. functional API
   函数式ＡＰＩ是一种比Sequential API跟加简单和灵活的模型创建方式。
   函数式API可以处理具有非线性拓扑的模型、具有共享层的模型，以及具有多个输入或输出的模型
3. model subclassing API
   model subclassing API具有更大的自由度，可以让开发者控制模型、layer以及训练过程

1. Sequential API

1.1 构建方法

构建Sequential 模型主要通过Sequential constructor对layers的列表进行模型构建

model = tf.keras.Sequential(
	[
        tf.keras.Input(shape=(512, 128)),
        tf.keras.layers.Dense(64, activation="relu"),
        tf.keras.layers.Dense(32, activation="relu")
    ]
)

1.2 其他构建方法

• 除了直接通过sequential constructor对layers list进行模型构建外，也可以通过sequential constructor的add属性逐层进行构建
• 注意，通过这种方法进行模型构建的时候可以将一个 ​name​ 传入到sequential constructor中

# 声明模型
model = tf.keras.Sequential(name='my_test_model')

# 声明模型的各层结构
model.add(tf.keras.Input(shape=(512, 128)))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(32, activation='relu'))

2. Functional API

2.1 构建方法

• 注意：通过Functional API进行模型构建的时候，需要先创建一个输入节点：inputs = tf.keras.Input(shape=(512, 128))
• 然后可以在inputs对象上调用层，在层计算图中创建新的节点, tf.keras.layers.Dense(64, activation='relu')(inputs)
• 每调用一个层，就意味着将上一个层的输出作为新的调用层的输入，并通过该层处理后进行输出结果。
• 最后，可以通过tf.keras.Model指定输入和输出来创建模型。

# 创建输入层
inputs = tf.keras.Input(shape=(512, 128))
# 中间层可以调用多个layers
x = tf.keras.layers.Dense(64, activation='relu')(inputs)
# 创建输出层
outputs = tf.keras.layers.Dense(32, activation='relu')(x)

# 声明模型
model = tf.keras.Model(inputs=inputs, outputs=outputs, name='my_test_model')

model.summary()
tf.keras.utils.plot_model(model, show_shapes=True)

2.2 使用模型进行训练、评估和推断

通过Functional API和Sequential API构建的模型，都可以通过同一种方法进行模型的训练、评估和推断工作。

# 通过tf.data.datasets创建data_generator
batch_data = tf.data.datasets(...)

# 模型编译, 模型编译过程中需要声明模型训练过程中需要用到的loss_func, optimizer_func和评估需要用到的metric_func
# 用到的这三种func都可以是按照规范自定义的或者式已经存在的
loss_func = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer_func = tf.keras.optimizers.RMSprop()
# 直接通过tf.keras.metrics中API的name进行调用，类似'accuracy', 'AUC'等
metrics_name = ['accuracy']

# 模型编译
model.compile(loss=loss_func, optimizer=optimizer_func, metrics=metrics_name)

# 使用已经编译好的模型进行训练
# model.fit(x_train, y_train)
# model.fit 可以作用在分离的features和labels上，也可以直接作用在data_generator上
model.fit(batch_data)

# 模型评估
test_score = model.evaluate(batch_data)

3. Subclassing API

class TestModel(tf.keras.Model):
    def __init__(self):
        super(TestModel, self).__init__()
        self.dense1 = tf.keras.layers.Dense(64, activation='relu')
        self.dense2 = tf.keras.layers.Dense(32, activation='relu')
    
    def call(self, inputs):
        emb = self.dense1(inputs)
        emb = self.dense2(emb)
        return emb
    
    def build_graph(self, input_shape):
        input_ = tf.keras.layers.Input(shape=input_shape)
        return tf.keras.models.Model(inputs=[input_], outputs=self.call(input_))

model = TestModel()

model.build_graph(input_shape=(512, 128)).summary()
tf.keras.utils.plot_model(model.build_graph(input_shape=(512, 128)), show_shapes=True)

subclassing种的build_graph不是必须的，但是不具有build_graph的subclass无法进行模型结构的展示。
可以通过如下方式，进行模型结构的展示。