【小白学PyTorch】18 TF2构建自定义模型

【机器学习炼丹术】的炼丹总群已经快满了，要加入的快联系炼丹兄WX:cyx645016617

参考目录：

之前讲过了如何用tensorflow构建数据集，然后这一节课讲解如何用Tensorflow2.0来创建模型。

TF2.0中创建模型的API基本上都放到了它的Keras中了，Keras可以理解为TF的高级API，里面封装了很多的常见网络层、常见损失函数等。 后续会详细介绍keras的全面功能，本篇文章讲解如何构建模型。

1 创建自定义网络层

import tensorflow as tf
import tensorflow.keras as keras

class MyLayer(keras.layers.Layer):
    def __init__(self, input_dim=32, output_dim=32):
        super(MyLayer, self).__init__()

        w_init = tf.random_normal_initializer()
        self.weight = tf.Variable(
            initial_value=w_init(shape=(input_dim, output_dim), dtype=tf.float32),
            trainable=True) # 如果是false则是不参与梯度下降的变量

        b_init = tf.zeros_initializer()
        self.bias = tf.Variable(initial_value=b_init(
            shape=(output_dim), dtype=tf.float32), trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.weight) + self.bias


x = tf.ones((3,5))
my_layer = MyLayer(input_dim=5,
                   output_dim=10)
out = my_layer(x)
print(out.shape)
>>> (3, 10)

这个就是定义了一个TF的网络层，其实可以看出来和PyTorch定义的方式非常的类似：

• 这个类要继承tf.keras.layers.Layer,这个pytorch中要继承torch.nn.Module类似；
• 网络层的组件在__def__中定义，和pytorch的模型类相同；
• call()和pytorch中的forward()的类似。

上面代码中实现的是一个全连接层的定义，其中可以看到使用tf.random_normal_initializer()来作为参数的初始化器，然后用tf.Variable来产生网络层中的权重变量，通过trainable=True这个参数说明这个权重变量是一个参与梯度下降的可以训练的变量。

我通过tf.ones((3,5))产生一个shape为[3,5]的一个全是1的张量，这里面第一维度的3表示有3个样本，第二维度的5就是表示要放入全连接层的数据（全连接层的输入是5个神经元）；然后设置的全连接层的输出神经元数量是10，所以最后的输出是(3,10)。

2 创建一个完整的CNN

import tensorflow as tf
import tensorflow.keras as keras

class CBR(keras.layers.Layer):
    def __init__(self,output_dim):
        super(CBR,self).__init__()
        self.conv = keras.layers.Conv2D(filters=output_dim, kernel_size=4, padding='same', strides=1)
        self.bn = keras.layers.BatchNormalization(axis=3)
        self.ReLU = keras.layers.ReLU()

    def call(self, inputs):
        inputs = self.conv(inputs)
        inputs = self.ReLU(self.bn(inputs))
        return inputs

class MyNet(keras.Model):
    def __init__ (self,input_dim=3):
        super(MyNet,self).__init__()
        self.cbr1 = CBR(16)
        self.maxpool1 = keras.layers.MaxPool2D(pool_size=(2,2))
        self.cbr2 = CBR(32)
        self.maxpool2 = keras.layers.MaxPool2D(pool_size=(2,2))

    def call(self, inputs):
        inputs = self.maxpool1(self.cbr1(inputs))
        inputs = self.maxpool2(self.cbr2(inputs))
        return inputs

model = MyNet(3)
data = tf.random.normal((16,224,224,3))
output = model(data)
print(output.shape)
>>> (16, 56, 56, 32)

这个是构建了一个非常简单的卷积网络，结构是常见的：卷积层+BN层+ReLU层。可以发现这里继承的一个tf.keras.Model这个类。

2.1 keras.Model vs keras.layers.Layer

Model比Layer的功能更多，反过来说，Layer的功能更精简专一。

• Layer:仅仅用作张量的操作，输入一个张量，输出也要求是一个张量，对张量的操作都可以用Layer来封装；
• Model：一个更加复杂的结构，由多个Layer组成。 Model的话，可以使用.fit(),.evaluate()，.predict()等方法来快速训练。保存和加载模型也是在Model这个级别进行的。

现在说一说上面的代码和pytorch中的区别，作为一个对比学习、也作为一个对pytorch的回顾：

• 卷积层Conv2D中，Keras中不用输入输入的通道数，filters就是卷积后的输出特征图的通道数；而PyTorch的卷积层是需要输入两个通道数的参数，一个是输入特征图的通道数，一个是输出特征图的通道数；
• keras.layers.BatchNormalization(axis=3)是BN层，这里的axis=3说明第三个维度（从0开始计数）是通道数，是需要作为批归一化的维度（这个了解BN算法的朋友应该可以理解吧，不了解的话去重新看我之前剖析BN层算法的那个文章吧，在文章末尾有相关链接）。pytorch的图像的四个维度是：

\[【样本数量，通道数，width，height】 \]

而tensorflow是：

\[【样本数量，width，height，通道数】 \]

总之，学了pytorch之后，再看keras的话，对照的keras的API，很多东西都直接就会了，两者的API越来越相似了。

上面最后输出是(16, 56, 56, 32)，输入的是\(224\times 224\)的维度，然后经过两个最大池化层，就变成了\(56\times 56\)了。

到此为止，我们现在应该是可以用keras来构建模型了。