本笔记参照TensorFlow官方教程，主要是对‘Keras functional API’（以下简称KFA）教程内容翻译和内容结构编排
原文链接:Keras Functional API
from __future__ import absolute_import, division, print_function, unicode_literalstry:# %tensorflow_version only exists in Colab.%tensorflow_version 2.x
except Exception:pass
import tensorflow as tftf.keras.backend.clear_session() # For easy reset of notebook state.
Keras Functional API 是一种创建模型的方法，它比序列模型更灵活，它可以处理具有非线性结构的模型，具有共享层的模型以及有多个输入输出的模型。它基于深度学习模型是层的有向无环图（DAG）概念，它是一组用于构建层图的工具
DAG（Directed Acyclic Graph）：百度百科：DAG
举例：创建一个3层的图
(input: 784-dimensional vectors)↧
[Dense (64 units, relu activation)]↧
[Dense (64 units, relu activation)]↧
[Dense (10 units, softmax activation)]↧
(output: probability distribution over 10 classes)
使用KFA创建一个模型，首先从创建一个输入节点开始：
from tensorflow import kerasinputs = keras.Input(shape=(784,))
在上面的代码中我们定义了输入数据的形状（shape）是一个784维度的向量。需要注意的是，batch_size通常是缺省的，只需要指定每个样本的形状。对于表示图像形状的输入，我们可以这样用：
img_inputs = keras.Input(shape=(32, 32, 3))
这样定义后，我们就从中可以得到变量‘inputs’的信息，包含：形状（shape）、提供给模型的输入数据的数据类型（dtype)。操作代码如下：
inputs.shape
imputs.dtype
通过调用这个input对象上的一个层，你可以在层图中创建一个新节点:
from tensorflow.keras import layersdense = layers.Dense(64, activation='relu')
x = dense(inputs)
“layer call”操作就像从“inputs”到我们创建的这个层上画一个箭头。我们把输入“passing”到稠密层，得到x。
我们开始添加剩下的层图：
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)
到这里后，我们就可以通过制定层图里的输入输出创建模型了！
model = keras.Model(inputs=inputs, outputs=outputs)
综上，以下是定义一个模型的完整流程：
from tensorflow.keras import layers
inputs = keras.Input(shape=(784,), name='img')
x = layers.Dense(64, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)model = keras.Model(inputs=inputs, outputs=outputs, name='mnist_model')
查看我们刚刚创建的模型长的什么样：
model.summary()
也可以将模型图像显示出来：
keras.utils.plot_model(model,'my_first_model.png')
也可以将每一层的输入输出形状显示成图像：
keras.utils.plot_model(model,'my_first_model_with_shape_info.png',show_shapes=True)
这个图形和我们编写的代码实际上是相同的。在代码版本中，连接箭头被简单地替换为call操作。对于深度学习模型来说，“层图”是一种非常直观的心理图像，而KFA是一种创建与这种心理图像密切对应的模型的方法。
对于使用KFA构建的模型比如序列模型，训练、评价、推断的工作方式完全相同。下面是一个小demo，这里我们加载‘MNIST’图像数据，将其重塑为向量，在数据上匹配模型（同时在一个验证分割集上监控模型的性能），最后我们用测试数据集评价我们创建的模型：
(x_train, y_train), (x_test, y_test) = ist.load_data()
x_train = shape(60000, 784).astype('float32') / 255
x_test = shape(10000, 784).astype('float32') / 255modelpile(loss='sparse_categorical_crossentropy',optimizer=keras.optimizers.RMSprop(),metrics=['accuracy'])
history = model.fit(x_train, y_train,batch_size=64,epochs=5,validation_split=0.2)
test_scores = model.evaluate(x_test, y_test, verbose=2)
print('Test loss:', test_scores[0])
print('Test accuracy:', test_scores[1])
对于使用KFA创建的模型比如序列模型，模型的保存和序列化的工作方式完全相同。保存函数模型的标准方法是调用model.save()将整个模型保存到单个文件中。以后可以从这个文件重新创建相同的模型，即使您不再能够访问创建模型的代码。
这个包含：
（1）模型的架构
（2）模型的权重值（从训练中学习得到的权重值）
（3）模型的训练配置（传递给‘compile’的内容），如果有的话
（4）优化器和它的状态，如果有的话（这个让我们可以从离开的地方重新训练）
model.save('path_to_my_model.h5')
del model
# Recreate the exact same model purely from the file:
model = dels.load_model('path_to_my_model.h5')
在KFA中，模型是通过在层图中制定输入和输出来创建的，这就意味着一个层图可以用来生成多个模型。在下面的示例中，我们使用相同的层堆栈来实例化两个模型：将图像输入转换为16维向量的‘encoder’模型，以及用于训练的端到端的‘autoencoder’模型。
encoder_input = keras.Input(shape=(28, 28, 1), name='img')
x = layers.Conv2D(16, 3, activation='relu')(encoder_input)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.Conv2D(16, 3, activation='relu')(x)
encoder_output = layers.GlobalMaxPooling2D()(x)encoder = keras.Model(encoder_input, encoder_output, name='encoder')
encoder.summary()x = layers.Reshape((4, 4, 1))(encoder_output)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
x = layers.Conv2DTranspose(32, 3, activation='relu')(x)
x = layers.UpSampling2D(3)(x)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x)autoencoder = keras.Model(encoder_input, decoder_output, name='autoencoder')
autoencoder.summary()
Model: “autoencoder”
Layer (type) Output Shape Param #
=================================================================
img (InputLayer) [(None, 28, 28, 1)] 0
conv2d_28 (Conv2D) (None, 26, 26, 16) 160
conv2d_29 (Conv2D) (None, 24, 24, 32) 4640
max_pooling2d_7 (MaxPooling2 (None, 8, 8, 32) 0
conv2d_30 (Conv2D) (None, 6, 6, 32) 9248
conv2d_31 (Conv2D) (None, 4, 4, 16) 4624
global_max_pooling2d_7 (Glob (None, 16) 0
reshape_7 (Reshape) (None, 4, 4, 1) 0
conv2d_transpose_28 (Conv2DT (None, 6, 6, 16) 160
conv2d_transpose_29 (Conv2DT (None, 8, 8, 32) 4640
up_sampling2d_7 (UpSampling2 (None, 24, 24, 32) 0
conv2d_transpose_30 (Conv2DT (None, 26, 26, 16) 4624
conv2d_transpose_31 (Conv2DT (None, 28, 28, 1) 145
=================================================================
Total params: 28,241
Trainable params: 28,241
Non-trainable params: 0
keras.utils.plot_model(encoder,'encoder.png',show_shapes=True)
keras.utils.plot_model(autoencoder,'autoencoder.png',show_shapes=True)
注意：解码架构需要跟编码架构严格对称，这样我们得到的输出才和输入的形状相同（28，28，1），Conv2D层的反向层是Conv2DTranspose层，MaxPooling2D层的反向是UpSampling2D层。下面的段落将会用到这个知识点。
我们可以将任何模型视为一个层，调用模型作为另一个层的输入或者输出。需要注意的是：当你调用一个模型的时候你不仅仅重新使用了模型的架构，还重新使用了它的权重。
让我们看看模型调用是如何运作的，下面是另外一个自动编码器的例子，它创建了一个编码器模型，一个解码器模型，并在两个调用中链接它们来获得自动编码器模型：
encoder_input = keras.Input(shape=(28, 28, 1), name='original_img')
x = layers.Conv2D(16, 3, activation='relu')(encoder_input)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.MaxPooling2D(3)(x)
x = layers.Conv2D(32, 3, activation='relu')(x)
x = layers.Conv2D(16, 3, activation='relu')(x)
encoder_output = layers.GlobalMaxPooling2D()(x)encoder = keras.Model(encoder_input, encoder_output, name='encoder')
encoder.summary()decoder_input = keras.Input(shape=(16,), name='encoded_img')
x = layers.Reshape((4, 4, 1))(decoder_input)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
x = layers.Conv2DTranspose(32, 3, activation='relu')(x)
x = layers.UpSampling2D(3)(x)
x = layers.Conv2DTranspose(16, 3, activation='relu')(x)
decoder_output = layers.Conv2DTranspose(1, 3, activation='relu')(x)decoder = keras.Model(decoder_input, decoder_output, name='decoder')
decoder.summary()autoencoder_input = keras.Input(shape=(28, 28, 1), name='img')
encoded_img = encoder(autoencoder_input)
decoded_img = decoder(encoded_img)
autoencoder = keras.Model(autoencoder_input, decoded_img, name='autoencoder')
autoencoder.summary()
运行结果：
Model: “encoder”
Layer (type) Output Shape Param #
=================================================================
original_img (InputLayer) [(None, 28, 28, 1)] 0
conv2d_72 (Conv2D) (None, 26, 26, 16) 160
conv2d_73 (Conv2D) (None, 24, 24, 32) 4640
max_pooling2d_18 (MaxPooling (None, 8, 8, 32) 0
conv2d_74 (Conv2D) (None, 6, 6, 32) 9248
conv2d_75 (Conv2D) (None, 4, 4, 16) 4624
global_max_pooling2d_18 (Glo (None, 16) 0
=================================================================
Total params: 18,672
Trainable params: 18,672
Non-trainable params: 0
Model: “decoder”
Layer (type) Output Shape Param #
=================================================================
encoded_img (InputLayer) [(None, 16)] 0
reshape_17 (Reshape) (None, 4, 4, 1) 0
conv2d_transpose_68 (Conv2DT (None, 6, 6, 16) 160
conv2d_transpose_69 (Conv2DT (None, 8, 8, 32) 4640
up_sampling2d_17 (UpSampling (None, 24, 24, 32) 0
conv2d_transpose_70 (Conv2DT (None, 26, 26, 16) 4624
conv2d_transpose_71 (Conv2DT (None, 28, 28, 1) 145
=================================================================
Total params: 9,569
Trainable params: 9,569
Non-trainable params: 0
Model: “autoencoder”
Layer (type) Output Shape Param #
=================================================================
img (InputLayer) [(None, 28, 28, 1)] 0
encoder (Model) (None, 16) 18672
decoder (Model) (None, 28, 28, 1) 9569
=================================================================
Total params: 28,241
Trainable params: 28,241
Non-trainable params: 0
因此我们可以看到，模型之间可以嵌套（nest），因为模型可以被视作‘层’，那一个模型就能够包含一个子模型。关于模型嵌套的通用案例是：集成（ensembling）。下面是如何将一组模型集成到一个单独的模型中，对它们的预测进行平均的例子：
def get_model():inputs = keras.Input(shape=(128,))outputs = layers.Dense(1, activation='sigmoid')(inputs)return keras.Model(inputs, outputs)model1 = get_model()
model2 = get_model()
model3 = get_model()inputs = keras.Input(shape=(128,))
y1 = model1(inputs)
y2 = model2(inputs)
y3 = model3(inputs)
outputs = layers.average([y1, y2, y3])
ensemble_model = keras.Model(inputs=inputs, outputs=outputs)
keras.utils.plot_model(ensemble_model,'ensemble_model.png',show_shapes=True)
KFA可以很简单的控制多输入多输出模型，但‘Sequential API’不能。下面是个简单的例子：假设我们正在构建一个系统，按照优先级对自定义发行票据进行排序，并将它们路由到正确的部门。
经分析，模型将有3个输入：
（1）票据标题（文本输入）
（2）票据文本主体（文本输入）
（3）用户添加的任何标记（分类输入）
模型将有两个输出：
（1）优先级分数从0到1（纯量sigmoid输出）
（2）票据归属的部门（softmax 输出）
num_tags = 12 # Number of unique issue tags
num_words = 10000 # Size of vocabulary obtained when preprocessing text data
num_departments = 4 # Number of departments for predictionstitle_input = keras.Input(shape=(None,), name='title') # Variable-length sequence of ints
body_input = keras.Input(shape=(None,), name='body') # Variable-length sequence of ints
tags_input = keras.Input(shape=(num_tags,), name='tags') # Binary vectors of size `num_tags`# Embed each word in the title into a 64-dimensional vector
title_features = layers.Embedding(num_words, 64)(title_input)
# Embed each word in the text into a 64-dimensional vector
body_features = layers.Embedding(num_words, 64)(body_input)# Reduce sequence of embedded words in the title into a single 128-dimensional vector
title_features = layers.LSTM(128)(title_features)
# Reduce sequence of embedded words in the body into a single 32-dimensional vector
body_features = layers.LSTM(32)(body_features)# Merge all available features into a single large vector via concatenation
x = atenate([title_features, body_features, tags_input])# Stick a logistic regression for priority prediction on top of the features
priority_pred = layers.Dense(1, activation='sigmoid', name='priority')(x)
# Stick a department classifier on top of the features
department_pred = layers.Dense(num_departments, activation='softmax', name='department')(x)# Instantiate an end-to-end model predicting both priority and department
model = keras.Model(inputs=[title_input, body_input, tags_input],outputs=[priority_pred, department_pred])
将模型显示出来：
keras.utils.plot_model(model, 'multi_input_and_output_model.png', show_shapes=True)
当编译这个模型时，我们可以分配不同的代价函数给每一个输出，甚至可以分配不同的权重给每个代价函数，以调整他们对总训练损失的贡献。
modelpile(optimizer=keras.optimizers.RMSprop(1e-3),loss=['binary_crossentropy', 'categorical_crossentropy'],loss_weights=[1., 0.2])
既然我们可以对输出命名，同样我们可以对代价函数进行命名：
modelpile(optimizer=keras.optimizers.RMSprop(1e-3),loss={'priority': 'binary_crossentropy','department': 'categorical_crossentropy'},loss_weights=[1., 0.2])
现在我们可以通过传递一系列由输入变量和目标组成的Numpy数组给模型进行训练：
import numpy as np# Dummy input data
title_data = np.random.randint(num_words, size=(1280, 10))
body_data = np.random.randint(num_words, size=(1280, 100))
tags_data = np.random.randint(2, size=(1280, num_tags)).astype('float32')
# Dummy target data
priority_targets = np.random.random(size=(1280, 1))
dept_targets = np.random.randint(2, size=(1280, num_departments))model.fit({'title': title_data, 'body': body_data, 'tags': tags_data},{'priority': priority_targets, 'department': dept_targets},epochs=2,batch_size=32)
当使用数据集对象调用fit时，它应该产生一个元组列表([title_data, body_data, tags_data]， [priority_targets, dept_targets])或一个元组字典({‘title’: title_data， ‘body’: body_data， ‘tags’: tags_data}， {‘priority’: priority_targets， ‘department’: dept_targets})。
除了具有多个输入和输出的模型外，KFA还使操作非线性连接拓扑变得很容易，也就是说，在模型中层之间不是按顺序连接的。这也不能使用‘Sequential API’来处理。常见的用例有：剩余连接（residual connections），下面就用CIFAR10构建一个玩具ResNet模型来：
inputs = keras.Input(shape=(32, 32, 3), name='img')
x = layers.Conv2D(32, 3, activation='relu')(inputs)
x = layers.Conv2D(64, 3, activation='relu')(x)
block_1_output = layers.MaxPooling2D(3)(x)x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_1_output)
x = layers.Conv2D(64, 3, activation='relu', padding='same')(x)
block_2_output = layers.add([x, block_1_output])x = layers.Conv2D(64, 3, activation='relu', padding='same')(block_2_output)
x = layers.Conv2D(64, 3, activation='relu', padding='same')(x)
block_3_output = layers.add([x, block_2_output])x = layers.Conv2D(64, 3, activation='relu')(block_3_output)
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dense(256, activation='relu')(x)
x = layers.Dropout(0.5)(x)
outputs = layers.Dense(10, activation='softmax')(x)model = keras.Model(inputs, outputs, name='toy_resnet')
model.summary()
执行结果：
Model: “toy_resnet”
Layer (type) Output Shape Param # Connected to
==================================================================================================
img (InputLayer) [(None, 32, 32, 3)] 0
conv2d_76 (Conv2D) (None, 30, 30, 32) 896 img[0][0]
conv2d_77 (Conv2D) (None, 28, 28, 64) 18496 conv2d_76[0][0]
max_pooling2d_19 (MaxPooling2D) (None, 9, 9, 64) 0 conv2d_77[0][0]
conv2d_78 (Conv2D) (None, 9, 9, 64) 36928 max_pooling2d_19[0][0]
conv2d_79 (Conv2D) (None, 9, 9, 64) 36928 conv2d_78[0][0]
add (Add) (None, 9, 9, 64) 0 conv2d_79[0][0]
max_pooling2d_19[0][0]
conv2d_80 (Conv2D) (None, 9, 9, 64) 36928 add[0][0]
conv2d_81 (Conv2D) (None, 9, 9, 64) 36928 conv2d_80[0][0]
add_1 (Add) (None, 9, 9, 64) 0 conv2d_81[0][0]
add[0][0]
conv2d_82 (Conv2D) (None, 7, 7, 64) 36928 add_1[0][0]
global_average_pooling2d (Globa (None, 64) 0 conv2d_82[0][0]
dense_10 (Dense) (None, 256) 16640 global_average_pooling2d[0][0]
dropout (Dropout) (None, 256) 0 dense_10[0][0]
dense_11 (Dense) (None, 10) 2570 dropout[0][0]
==================================================================================================
Total params: 223,242
Trainable params: 223,242
Non-trainable params: 0
把模型用图像显示出来：
keras.utils.plot_model(model, 'mini_resnet.png', show_shapes=True)
下面就开始训练它：
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
y_train = _categorical(y_train, 10)
y_test = _categorical(y_test, 10)modelpile(optimizer=keras.optimizers.RMSprop(1e-3),loss='categorical_crossentropy',metrics=['acc'])
model.fit(x_train, y_train,batch_size=64,epochs=1,validation_split=0.2)
KFA的另一个很好的用途是使用共享层的模型。共享层是在同一个模型中多次重用的层实例:它们学习与图层中的多条路径对应的特性。共享层通常用于对来自类似空间的输入进行编码(例如，具有类似词汇表的两个不同文本片段)，因为它们支持跨这些不同输入共享信息，并且可以在更少的数据上训练这样的模型。如果给定的单词出现在某个输入中，那么将有利于处理通过共享层的所有输入。要在函数API中共享一个层，只需多次调用相同的层实例。例如，下面是一个嵌入层共享两个不同的文本输入:
# Embedding for 1000 unique words mapped to 128-dimensional vectors
shared_embedding = layers.Embedding(1000, 128)# Variable-length sequence of integers
text_input_a = keras.Input(shape=(None,), dtype='int32')# Variable-length sequence of integers
text_input_b = keras.Input(shape=(None,), dtype='int32')# We reuse the same layer to encode both inputs
encoded_input_a = shared_embedding(text_input_a)
encoded_input_b = shared_embedding(text_input_b)
因为KFA中操作的层图是一个静态数据结构，所以可以访问和检查它。例如，这就是我们如何将功能模型绘制为图像的方法。这也意味着我们可以访问中间层(图中的“节点”)的激活，并在其他地方重用它们。这对于特征提取非常有用。下面是一个在ImageNet上预先训练权重的VGG19模型:
from tensorflow.keras.applications import VGG19vgg19 = VGG19()
而且，这些是模型的中间层激活函数，通过查询图层的数据结构获得的
features_list = [layer.output for layer in vgg19.layers]
我们可以使用这些特征去创建一个分离特征模型，它返回中间层激活的值，这些我们只需3行代码就可以实现：
feat_extraction_model = keras.Model(inputs=vgg19.input, outputs=features_list)img = np.random.random((1, 224, 224, 3)).astype('float32')
extracted_features = feat_extraction_model(img)
tf.keras有许多已经建立好的层，比如：
（1）卷积层： Conv1D, Conv2D, Conv3D, Conv2DTranspose等等
（2）池化层（Pooling Layer）：MaxPooling1D, MaxPooling2D, MaxPooling3D, AveragePooling1D等等
（3）RNN层：GRU, LSTM, ConvLSTM2D等等
（4）BatchNormalization, Dropout, Embedding等等
如果没有找到你所需要的层，我们可以用KFA自己定义层。所有的层继承（subclass）'Layer’类和实现：（原文：All layers subclass the Layer class and implement）
调用方法，它指定层所做的计算。
构建方法，它创建了层的权重(注意这只是一个样式约定;你也可以在_init__中创建权重)。
class CustomDense(layers.Layer):def __init__(self, units=32):super(CustomDense, self).__init__()self.units = unitsdef build(self, input_shape):self.w = self.add_weight(shape=(input_shape[-1], self.units),initializer='random_normal',trainable=True)self.b = self.add_weight(shape=(self.units,),initializer='random_normal',trainable=True)def call(self, inputs):return tf.matmul(inputs, self.w) + self.binputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)model = keras.Model(inputs, outputs)
如果你想定制化层来支持序列化，你也可以定义一个‘get_config’方法，它返回层实例的构建属性：
class CustomDense(layers.Layer):def __init__(self, units=32):super(CustomDense, self).__init__()self.units = unitsdef build(self, input_shape):self.w = self.add_weight(shape=(input_shape[-1], self.units),initializer='random_normal',trainable=True)self.b = self.add_weight(shape=(self.units,),initializer='random_normal',trainable=True)def call(self, inputs):return tf.matmul(inputs, self.w) + self.bdef get_config(self):return {'units': self.units}inputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)model = keras.Model(inputs, outputs)
config = _config()new_model = keras.Model.from_config(config, custom_objects={'CustomDense': CustomDense})
另外，我们也可以执行类方法‘from_config（cls,config）’，它是用来通过给定它的配置字典来重新创建一个层实例的。‘from_config’默认执行代码是：
def from_config(cls, config):return cls(**config)
如何决定是使用KFA创建新模型，还是直接子类化模型类?一般来说，函数式API是更高级的、更容易和更安全的，并且有许多子类化模型不支持的特性。然而，模型子类化为您提供了更大的灵活性，当创建模型时，这些模型不容易表示为层的有向无环图(例如，您不能使用函数API实现树- rnn，您将不得不直接子类化模型)。
KFA优点：
（1）变量少
（2）定义模型的过程中就在验证模型的有效性
（3）用KFA定义的模型具有可视性和可审查
（4）用KFA定义的模型可以被序列化或克隆
KFA缺点：
（1）它不支持动态结构
（2）有时候，你需要从头开始写
重要的是，在函数API和模型子类之间进行选择并不是一个二元决策，它将您限制在一个模型类别中。所有tf.keras API的模型可以互相交互，无论它们是顺序模型、功能模型还是从零开始编写的子类模型/层。你总是可以使用功能模型或顺序模型作为子类模型/层的一部分:
units = 32
timesteps = 10
input_dim = 5# Define a Functional model
inputs = keras.Input((None, units))
x = layers.GlobalAveragePooling1D()(inputs)
outputs = layers.Dense(1, activation='sigmoid')(x)
model = keras.Model(inputs, outputs)class CustomRNN(layers.Layer):def __init__(self):super(CustomRNN, self).__init__()self.units = unitsself.projection_1 = layers.Dense(units=units, activation='tanh')self.projection_2 = layers.Dense(units=units, activation='tanh')# Our previously-defined Functional modelself.classifier = modeldef call(self, inputs):outputs = []state = tf.zeros(shape=(inputs.shape[0], self.units))for t in range(inputs.shape[1]):x = inputs[:, t, :]h = self.projection_1(x)y = h + self.projection_2(state)state = youtputs.append(y)features = tf.stack(outputs, axis=1)print(features.shape)return self.classifier(features)rnn_model = CustomRNN()
_ = rnn_s((1, timesteps, input_dim)))
相反，你可以使用KFA中的任何子类层或模型，只要它实现的调用方法遵循以下模式之一:
（1）call(self, inputs, kwargs)，其中输入是张量或张量的嵌套结构(例如张量列表)，而kwargs是非张量参数(非输入)
（2）call(self, inputs, training=None, **kwargs)，其中训练是一个布尔值，指示该层是否应该在训练模式和推理模式下运行。
（3）call(self, inputs, mask=None, **kwargs)，其中掩码是一个布尔掩码张量(例如，对于RNNs很有用)。
（4）call(self, inputs, training=None, mask=None, **kwargs)，当然，您可以同时具有掩蔽和特定于训练的行为。
此外，如果您在自定义层或模型上实现get_config方法，使用它创建的功能模型仍然是可序列化和可克隆的。下面是一个快速的例子，我们使用一个自定义的RNN从头开始写在一个功能模型:
units = 32
timesteps = 10
input_dim = 5
batch_size = 16class CustomRNN(layers.Layer):def __init__(self):super(CustomRNN, self).__init__()self.units = unitsself.projection_1 = layers.Dense(units=units, activation='tanh')self.projection_2 = layers.Dense(units=units, activation='tanh')self.classifier = layers.Dense(1, activation='sigmoid')def call(self, inputs):outputs = []state = tf.zeros(shape=(inputs.shape[0], self.units))for t in range(inputs.shape[1]):x = inputs[:, t, :]h = self.projection_1(x)y = h + self.projection_2(state)state = youtputs.append(y)features = tf.stack(outputs, axis=1)return self.classifier(features)# Note that we specify a static batch size for the inputs with the `batch_shape`
# arg, because the inner computation of `CustomRNN` requires a static batch size
# (when we create the `state` zeros tensor).
inputs = keras.Input(batch_shape=(batch_size, timesteps, input_dim))
x = layers.Conv1D(32, 3)(inputs)
outputs = CustomRNN()(x)model = keras.Model(inputs, outputs)rnn_model = CustomRNN()
_ = rnn_s((1, 10, 5)))
本文发布于:2024-01-28 05:29:40，感谢您对本站的认可！
本文链接：https://www.4u4v.net/it/17063909885132.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
