tensorflow2.0 自定義類模組列印問題

睡醒了叭發表於2020-11-01

明明tensorflow1x就沒有學好，現在換了2，那就再從頭學起叭

在自定義類模組列印遇到了各種bug，在此記錄一下，也希望可以幫助到有需要的夥伴。

 

如果你自定義類程式碼寫成如下格式

import tensorflow as tf
from tensorflow.keras.models import Model

class SAEModel(Model):
    def __init__(self, input_shape, output_shape, hidden_shape=None):
        # print("init")
        # 隱藏層節點個數預設為輸入層的3倍
        if hidden_shape == None:
            hidden_shape = 3 * input_shape
        # 呼叫父類__init__()方法
        super(SAEModel, self).__init__()

        # 初始化模型使用的layer，layer_1為前述自定義layer
        self.layer_1 = SAELayer(hidden_shape)
        # layer_2為全連線層，採用sigmoid啟用函式
        # 每層在這裡可以不考慮輸入元素個數，但必須考慮輸出元素個數
        # 輸入元素個數可以在call()函式中動態確定
        self.layer_2 = layers.Dense(output_shape, activation=tf.nn.sigmoid)


    def call(self, input_tensor, training=False):
        # 輸入資料
        hidden = self.layer_1(input_tensor)
        output = self.layer_2(hidden)
        return output

那麼會報錯如下，提示你需要使用model.build(input_shape=)方法。但是！我這個input_shape引數我輸入總是出現各種錯誤。

有時列印出來的模型框架也不理想，如下圖

在多方搜尋後，看到了某位大神的程式碼，然後修改自己程式碼，完美輸出。

https://blog.csdn.net/qq_40642546/article/details/106622996

class MyLstm(tf.keras.Model):
    def __init__(self, voca_len, out_len, max_len, batch_size, embedding_dim, unit_num, embed_matrix = None):

#==============================================
        super().__init__()    
# =============================================

        self.voca_len = voca_len
        self.out_len = out_len
        self.max_len = max_len
        self.batch_size = batch_size
        self.embedding_dim = embedding_dim
        self.unit_num = unit_num
        self.embed_matrix = None
        
        self.input_layer = Input(max_len,
                                 name = 'inputs')
        if self.embed_matrix == None:
            self.embedding_layer = Embedding(input_dim = self.voca_len,
                                             output_dim = self.embedding_dim,
                                             input_length = self.max_len,
                                             trainable = True,
                                             name = 'embedding')                                            
        else:
            self.embedding_layer = Embedding(input_dim = self.voca_len,
                                             output_dim = self.embedding_dim,
                                             weights = [self.embed_matrix],
                                             input_length = self.max_len,
                                            name = 'embedding')              
        self.lstm_layer = LSTM(units=self.unit_num,
                               activation = 'relu',
                               name = 'LSTM')        
        self.out_layer = Dense(units=self.out_len,
                               name = 'Train_out')   
                            
        self.out = self.call(self.input_layer)    # ！！！！！
        
# ================================================
        super().__init__(inputs=self.input_layer,
                         outputs=self.out)
#=================================================
    
    def build(self):
        self.is_graph_network = True
        self.__init__graph_network(inputs=self.input_layer,
                                   outputs = self.out)
        
    def call(self, x, from_logits=False, training=True, mask=None):
        embed_matrix = self.embedding_layer(x)
#         print(embed_matrix)
        lstm_output= self.lstm_layer(embed_matrix)
        logits = self.out_layer(lstm_output)
        if from_logits:
            return logits
        else:
            return tf.nn.sigmoid(logits)

model = MyLstm(voca_len=394, out_len=504, max_len=29, embedding_dim=23, unit_num=100, batch_size=2)
model.summary()

關鍵的地方在上面的程式碼中做了註釋，兩次初始化很重要，至於為啥這麼寫。。。

emmmmm 我先會用叭

相關文章