标签：layers keras 编程 规范 tensorflow2.0 shape units Model out

背景

tensorflow2.0 相比于1.0 有很大变化，1.0版本的placeholder，Session都没有了，2.0版本强推使用keras。keras是一个比较高层的api，确实挺好用的，一些基本模型使用起来很方便，本文主要写了几种常用场景下的编程规范指南，都是自己总结出来的如果大家有更好的想法可以在评论中留言。

目的

编程规范的目的是，从构架速度、清晰、可扩展几个方面考虑。

编程规范

• 比较简单的顺序模型
  比较简单的模型直接使用Sequential比较好，也可以使用Model构建
• 较复杂的模型
  一般指有多输入都输出，共享某些层等的情况。
  使用keras.Model
  keras.Model必须有输入层，输出层，当构建一个Model的对象时，这个对象可以看成一个层，如果想将这个层用于另一个Model，必须重新定义输入层。举个例子：
  

   1 import tensorflow as tf
   2 
   3 try:
   4     import tensorflow.python.keras as keras
   5 except:
   6     import tensorflow.keras as keras
   7 import numpy as np
   8 
   9 X = np.linspace(0, 1.0, 100)
  10 y = X ** 2 + 1.0
  11 X = np.reshape(X, (-1, 1))
  12 
  13 m_in = keras.layers.Input(shape=(1,))
  14 h1 = keras.layers.Dense(units=10, activation="relu")
  15 out = keras.layers.Dense(units=1, activation="relu")
  16 
  17 h = h1(m_in)
  18 h = out(h)
  19 model1 = keras.Model(inputs=m_in, outputs=h)
  20 
  21 m2_in = keras.layers.Input(shape=(h.shape[1],))
  22 h2 = keras.layers.Dense(units=12)
  23 h3 = keras.layers.Dense(units=1)
  24 h = h2(m2_in)
  25 h = h3(h)
  26 
  27 model2 = keras.Model(inputs=m2_in, outputs=h)
  28 # model2.summary()
  29 
  30 
  31 
  32 m_in = keras.layers.Input(shape=(1,))
  33 h = model1(m_in)
  34 out = model2(h)
  35 
  36 model3 = keras.Model(inputs=m_in, outputs=out)
  37 model3.summary()

　　关于Tensorflow2.0中Tensor类的问题，使用tf.shape获得的Tensor对象是没有numpy属性的。

标签：layers,keras,编程,规范,tensorflow2.0,shape,units,Model,out
来源： https://www.cnblogs.com/oldBook/p/10689087.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。