TF Keras v1.14+：“模块”的子类模型或子类层

Question

Tensorflow有一些docs用于子类化（tf）KerasModel和{}。在

然而，对于“模块”或“块”使用哪一个还不清楚（例如，多个层合而为一）。在

由于它在技术上是几个层，我觉得子类化Layer是有欺骗性的，虽然子类化{}起作用，但我不确定这样做是否有任何负面影响。在

例如

x = inputs
a = self.dense_1(x) # <--- self.dense_1 = tf.keras.Dense(...)
b = self.dense_2(a)
c = self.add([x, b])

哪个适合使用？在

Answer 1

一开始，没有必要用Keras对任何东西进行二次分类。除非您有特定的原因（不是构建、培训、预测），否则您不会为Keras生成子类。在

建立Keras模型：

使用Sequential（模型已经准备好了，只需添加层），或者使用Model（创建一个带有层的图，最后调用Model(inputs, outputs)），您不需要子类化。在

当您创建Sequential或Model的实例时，您就有了一个完整定义的模型，可以在所有情况下使用。在

这个模型甚至可以作为其他模型的一部分使用，它的层可以很容易地访问以获得交互输出并在图中创建新的分支。在

所以，我看不出有任何理由将Model子类化，除非您使用的是一些需要这样做的附加框架（但我不这么认为）。这似乎是来自PyTorch用户的（因为这种模型构建对于PyTorch来说是典型的，所以为Module创建一个子类，并添加层和一个调用方法）。但是Pythorch并没有像Keras那样容易获得中间结果。在

使用Keras的主要优点正是：您可以轻松地从块和模型访问层，并立即从这一点开始分支，而无需重新构建任何调用方法或在模型中为此添加任何额外的代码。所以，当你对模型进行子类化的时候，你只是辜负了Keras的目的，使之更加困难。在

你提到的文件说：

Model subclassing is particularly useful when eager execution is enabled since the forward pass can be written imperatively.

我真的不明白“强制”是什么意思，我也不认为这比仅仅构建一个具有规则层的模型要容易得多。在

另一段引述：

Key Point: Use the right API for the job. While model subclassing offers flexibility, it comes at a cost of greater complexity and more opportunities for user errors. If possible, prefer the functional API.

嗯。。。总是有可能的。在

子类化层

在这里，这样做也许有充分的理由。这些原因是：

• 您需要一个执行常规图层无法使用的自定义计算的图层
• 此层必须具有持久权重。在

如果你不需要“两个”以上的东西，你不需要子类化一个层。如果您只希望“自定义计算”不带权重，Lambda层就足够了。在