tensorflow入门 自定义模型

前面说了自定义的层，接下来自定义模型，我们以下图为例子

?这个模型没啥意义，单纯是为了写代码实现这个模型

首先呢，我们看有几个部分，dense不需要我们实现了，我们就实现Res，为了实现那个*3,我们注意这个res可能需要多个res堆叠。

class ResBlock(keras.layers.Layer):
    def __init__(self, n_layers, n_neurons, **kwargs):
        super().__init__(**kwargs)
        self.hidden =[keras.layers.Dense(n_neurons,activation='elu',kernel_initializer='he_normal')
                          for _ in range(n_layers)
                      ]
    def call(self, inputs):
        Z = inputs
        for layer in self.hidden:
            Z = layer(Z)
        return inputs + Z

这样我们就能实现一个可以循环的Res了，call是必须的，因为在计算的时候需要它

如果我们写得再详细一点，可能要加入built，如果需要保存和加载模型，我们需要get_congit和save_congit,总之，基本的样子就是如此。

为了防止搞错，解释以下为什么没有使用built，是为了偷懒。

下面我们构建模型的时候，会指定输入的维度，其实再通用的情况下，我们根本不知道输入的维度，built会自动推断输入维度，所有本来应该写个built的，但是睡觉时间到了。

然后我们基于上面的自定义层，实现左边的模型

def ResModel(keras.Model):
    def __init__(self, out, **kwargs):
        super().__init__(*kwargs)
        self.hidden1 = keras,layers,Dense(30, activation='elu', kernel_initializer='he_normal')
        self.block1 = ResBlock(2,10)
        self.block2 = ResBlock(2,20)
        self.out = keras,layers,Dense(out)
    
    def call(self, inputs):
        Z = self.hidden1(inputs)
        for _ in range(4):
            Z = self.block1(Z)
        Z = self.block2(Z)
        return self.out(Z)

我觉得在此以及无需多言了。睡觉睡觉。