tensorflow2.x:构建tf.keras.Model实例的几种方式

说明

我以前是tensorflow1.x的用户，当时tensorflow还没合并keras，很多接口比较原始，还有session和napescope等概念。最近接触了下tf2.9, 发现写法都变了，作为一个tf2.x的初学者，记录下自己刚开始的一些心得。

我看到tf2.9的接口已经很接近pytorch了，但是还是没有pytorch好用。我看到教程里搭建模型主要就是实例化一个tf.keras.Model并对它进行各种设置，实例化一个tf.keras.Model对象竟然同时存在多种方式，这也不是“灵活”能解释的通的，感觉还是没有实现一种好用的方式达到“一招鲜”，多种方式并存的原因可能还是设计不够简单。

使用tf.keras.Sequential

tf.keras.models.Sequential继承自tf.keras.Model，所以实例化一个Sequential对象也可以。Sequential主要用于结构简单的层级网络，无法构建结构复杂的网络，这点从名字里也可看出来。

接口定义：

tf.keras.Sequential(
    layers=None, name=None
)

初始化的时候可以传图两个参数，第一个是网络层的列表，第二个是名字。 同时tf.keras.models.Sequential也是它的别名。

方法1： 构造传参初始化

教程里的例子：

import tensorflow as tf

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation=relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=softmax)
])

这里传入了多个layers对象，组成了这个模型。这是比较简单的一种方式。

方法2：使用add()增加layers

构造时不传参，构造后可以使用add接口一层层往上加

model = tf.keras.Sequential()
model.add(tf.keras.Input(shape=(16,)))
model.add(tf.keras.layers.Dense(8))
model.add(tf.keras.layers.Dense(4))

这里构造了一个两层全连接的网络。

构造一个tf.keras.Model实例

Sequential只能搭建简单的网络，如果内部有复杂的结构，就需要直接使用tf.keras.Model构造。

方法3：继承tf.keras.Model类

这也是最像pytorch的方式。主要就是实现call()函数，其原型：

call(
    inputs, training=None, mask=None
)

教程里的例子：

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation=relu)
    self.flatten = Flatten()
    self.d1 = Dense(128, activation=relu)
    self.d2 = Dense(10, activation=softmax)

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

如果是多输入输出的话，输入用[inoput1, input2]这样的方式来传入就可以，输出用[out1,out2]的方式来返回。

方法4：直接构造tf.keras.Model实例

最简单的方式构造一个单输入输出的网络：

inputs = tf.keras.layers.Input(shape=(3,))
outputs = tf.keras.layers.Dense(2)(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)

也可构建多输入输出的网络。这里是一个两个输出的例子：

inputs = tf.keras.layers.Input(shape=(3,))
d = tf.keras.layers.Dense(2, name=out)
output_1 = d(inputs)
output_2 = d(inputs)
model = tf.keras.models.Model(
   inputs=inputs, outputs=[output_1, output_2])

参考资料