TensorFlow 2.0 模型：模型类的建立

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 output
13
14    # 还可以添加自定义的方法

Keras 模型类定义示意图

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
3 X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
4 y = tf.constant([[10.0], [20.0]])
5
6
7 class 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        )
16
17    def call(self, input):
18        output = self.dense(input)
19        return output
20
21
22# 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 + b
28        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。

[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

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

转载于微信公众号