是否可以在子类 ZA559B87068921EEC05086CE584 中使用 Tensorflow Keras 功能 API

Question

我正在尝试创建一个 keras Model 需要对输入进行特殊预处理，然后才能被 model 本身调用。 我将子类化为 model 只是复杂网络的一部分，因此我可以连接输出并直接从我的代码的其他部分访问 model 行为......等等。

我设计它的方式是在构造函数中使用 keras 功能 API 来链接层，如果我没有定义call方法，这可以正常工作（它的行为似乎与我调用实例时正常使用 fAPI 完全一样）。

我的问题是当我确实想定义call方法时，我不确定要调用什么function以从构造函数访问已编译 model 的默认行为：

import tensorflow as tf
import numpy as np

class MyModel(tf.keras.Model):

  def __init__(self, inputshape):
    inputs = tf.keras.Input(shape=inputshape)
    x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
    outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)

    super(MyModel, self).__init__(inputs=inputs, outputs=outputs)


  def call(self, inputs, training=False):
    reduced_input = tf.expand_dims(inputs['b'], axis=0)

    # Want to call my compiled self MODEL with 'reduced_input' as the input argument but not sure how...
    return something(reduced_input)


myModelInstance = MyModel(inputshape=(3,))
myInput = {'a': [1, 2], 'b': np.array([3, 4, 5]), 'c': 6}

# Example preprocessing that I want to implement from within the model when called. Won't be this simple
reduced_input  = tf.expand_dims(myInput['b'], axis=0)

print(myModelInstance(reduced_input ))

在这个片段中，我简化了构造函数以及输入预处理（这里它只从输入中提取“b”元素并添加一个批处理维度），但我的实际实现更复杂。

我更喜欢 a) 在调用实例之前避免预处理数据，b) 将Model子类化，而不是将 model 存储为 class 属性。

有没有办法将 Model 子类化与功能 API 结合起来，就像我正在尝试做的那样？

Answer 1

你应该这样做：

class MyModel(tf.keras.Model):

  def __init__(self, inputshape):
    super(MyModel, self).__init__()
    inputs = tf.keras.Input(shape=inputshape)
    x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
    outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
    self.model = tf.keras.Model(inputs, outputs)

  def call(self, inputs, training=False):
    reduced_input = tf.expand_dims(inputs['b'], axis=0)

    # Want to call my compiled self MODEL with 'reduced_input' as the input argument but not sure how...
    return self.model(reduced_input)


myModelInstance = MyModel(inputshape=(3,))
myInput = {'a': [1, 2], 'b': np.array([3, 4, 5]), 'c': 6}

# Example preprocessing that I want to implement from within the model when called. Won't be this simple
#reduced_input  = tf.expand_dims(myInput['b'], axis=0)

print(myModelInstance(myInput))