Keras核心笔记——类结构

综述

在以mxnet/gluon这个超简洁又强大的命令式框架入门的本人眼里，keras2的类层次结构非常繁杂
例如 它里面似乎把Model和一般的Layer分开对待
但是如果一个layer是一个函数fx，那么将一群函数以何种方式堆叠起来，比如复合，或者叠加，得到的仍然是一个函数，按这个来看，layer的容器就应该是layer本身，这样比较符合逻辑

对比

mxnet/gluon

mxnet/gluon中，完美地贯彻了这个逻辑，序贯模型，其本质上仍然可以被当作一个function对待，或者当作一个layer对待，其除了可以用add函数添加子layer外，并没有什么特殊的地方，可以把它看作一个方便使用的小福利
并且，查看源代码可以发现，其直接继承于Block类，这个类是“神经网络函数”的基类，任何一个layer也继承于此类，整体来说其继承结构比较平坦

keras

而keras2中，序贯模型继承自Model，而Model继承自Container
Container才继承于Layer类，这个Layer类才是所有层的最终基类

综合

查看源码可以发现 keras的代码要复杂的多，而且也难读的多，例如从序贯模型类开始跟踪，进入一个名字叫models.py的文件
这个文件有1500多行，而mxnet/gluon，跟踪进入basic_layers.py文件，整个文件只有不到500行
同时gluon的源代码组织非常清晰，几乎没有重复代码
没有堆砌的代码，不看注释基本都能迅速读懂意思，而keras则是有大量参数，在网络的构造，编译，训练，预测阶段有一套完整的生命周期，在每一个layer的类中往往是存在大量的对外接口，而gluon写一个layer甚至只需要写一个函数完成一次原始的NDArray运算就好

总结

mxnet/gluon是个动态图框架，其依靠mxnet得到了卓越的性能，从pytorch中吸取经验，又有了一套对用户极其友好的接口，非常适合科研使用，其开发速度快，灵活，代码直观容易修改，并且其使用时不感觉向堆积木，而是真正像在做数学工作，这点非常难得