1、tf模型过程
主要是定义模型的前向反馈过程，接下来介绍如何使用 TensorFlow 快速搭建动态模型。
1）模型的构建： tf.keras.Model 和 tf.keras.layers
2）模型的损失函数： tf.keras.losses
3）模型的优化器： tf.keras.optimizer
4）模型的评估： tf.keras.metrics
2、Keras
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。
classMyModel(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
# layer1 = tf.keras.layers.BuiltInLayer(...)
# layer2 = MyCustomLayer(...)
defcall(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 = layer1(input)
# output = layer2(x)
# returnoutput
# 还可以添加自定义的方法
图示，其实说到底就两个过程啊：
keras模型类定义示意图
更新于20210118:
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。
其中，__init__() 方法，构造器初始化模型的所有层以及最先涉及到super函数，调用父类方法。
其中，call(input) （模型调用）方法，描述的是如何从输入经过各种层进行输出的过程。
因此，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。
例如一个模型化例子：
虽然模型没有显式建立线性变换，但建立了一个继承了 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。
小问题：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__() 。
__call__函数/方法
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。
2、Keras Pipeline *
首先理解Pipeline，最典型和常用的神经网络结构是将一堆层按特定顺序叠加起来，那么，我们是不是只需要提供一个层的列表，就能由 Keras 将它们自动首尾相连，形成模型呢？大概意思是一个序列的数据处理流程吧。
然后Keras 的 Sequential API 正是如此。通过向 tf.keras.models.Sequential() 提供一个层的列表，就能快速地建立一个 tf.keras.Model 模型并返回：
Sequential API
使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型
当模型建立完成后，通过 tf.keras.Model 的 compile 方法配置训练过程：
Model 功能模块
如果需要显式地声明自己的变量并使用变量进行自定义运算，或者希望了解 Keras 层的内部原理，请参考自定义层。
自定义层：
自定义层需要继承 tf.keras.layers.Layer 类，并重写 __init__ 、 build 和 call 三个方法。
例如，如果我们要自己实现一个本章第一节中的全连接层（ tf.keras.layers.Dense ），可以按如下方式编写。此代码在 build 方法中创建两个变量，并在 call 方法中使用创建的变量进行运算：
自定义层
todo：
1、动手实现自定义层
2、动手Sequential API
done
参考资料
1、TensorFlow 模型建立与训练 https://tf.wiki/zh_hans/basic/models.html#
2、Sequential API Keras中的Sequential模型和Functional模型区别 https://blog.csdn.net/weixin_38740463/article/details/90479319
网友评论