本篇blog介绍了tensorflow2.0的三种建模方式。

初学者建议前两种，学到后期强烈建议后一种，可以高度自定义。

顺序模型Sequential model

tf.keras.Sequential

就像搭积木一样，一层一层往上搭建。
第一种搭积木方式：

from tensorflow.keras import layers
import tensorflow as tf
model = tf.keras.Sequential()
model.add(layers.Dense(64, activation='relu'))#第一层
model.add(layers.Dense(64, activation='relu'))#第二层
model.add(layers.Dense(10))#第三层
#。。。未完待续

还有另外一种

model = tf.keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(32,)),#第一层
layers.Dense(64, activation='relu'),#第二层
layers.Dense(10)#第三层#。。。。。全连接层
])

搭建好之后开始训练模型，定义损失函数，定义优化器，定义评估函数（可以不定义）。

model.compile(optimizer=tf.keras.optimizers.Adam(0.01),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])

import numpy as npdata = np.random.random((1000, 32))
labels = np.random.random((1000, 10))model.fit(data, labels, epochs=10, batch_size=32)#开始训练model.fit()

Train on 1000 samples
Epoch 1/10
WARNING:tensorflow:Entity <function Function._initialize_uninitialized_variables.<locals>.initialize_variables at 0x000002CA715BB168> could not be transformed and will be executed as-is. Please report this to the AutoGraph team. When filing the bug, set the verbosity to 10 (on Linux, `export AUTOGRAPH_VERBOSITY=10`) and attach the full output. Cause: No module named 'tensorflow_core.estimator'
WARNING: Entity <function Function._initialize_uninitialized_variables.<locals>.initialize_variables at 0x000002CA715BB168> could not be transformed and will be executed as-is. Please report this to the AutoGraph team. When filing the bug, set the verbosity to 10 (on Linux, `export AUTOGRAPH_VERBOSITY=10`) and attach the full output. Cause: No module named 'tensorflow_core.estimator'
1000/1000 [==============================] - 3s 3ms/sample - loss: 26.0978 - accuracy: 0.0950
Epoch 2/10
1000/1000 [==============================] - 0s 76us/sample - loss: 234.9398 - accuracy: 0.0980
Epoch 3/10
1000/1000 [==============================] - 0s 91us/sample - loss: 1435.7038 - accuracy: 0.0800
Epoch 4/10
1000/1000 [==============================] - 0s 85us/sample - loss: 3873.8199 - accuracy: 0.0730
Epoch 5/10
1000/1000 [==============================] - 0s 94us/sample - loss: 6787.7745 - accuracy: 0.1030
Epoch 6/10
1000/1000 [==============================] - 0s 83us/sample - loss: 10906.5301 - accuracy: 0.1010
Epoch 7/10
1000/1000 [==============================] - 0s 152us/sample - loss: 16695.5084 - accuracy: 0.1020
Epoch 8/10
1000/1000 [==============================] - 0s 83us/sample - loss: 19986.0572 - accuracy: 0.1020
Epoch 9/10
1000/1000 [==============================] - 0s 80us/sample - loss: 34265.9225 - accuracy: 0.1130
Epoch 10/10
1000/1000 [==============================] - 0s 96us/sample - loss: 46083.1958 - accuracy: 0.0940
<tensorflow.python.keras.callbacks.History at 0x2ca7158da48>

tf.keras.Model.fit (用于模型训练)
大家一定要记住：
epochs：训练分为几个时期。每一个epoch是对整个输入数据的一次迭代（此操作以较小的批次完成）。
batch_size：当传递NumPy数据时，模型将数据切成较小的批次，并在训练期间对这些批次进行迭代。该整数指定每个批次的大小。请注意，如果不能将样本总数除以批次大小，则最后一批可能会更小。
validation_data：在模型训练时，监控在某些验证数据上监视其性能。传递此参数（输入和标签的元组）可以使模型在每个时期结束时以推断模式显示所传递数据的损失和度量。

---

*函数式模型 Functional model *刚开始学习推荐模式

函数式模型是一种创建模型的方法，该模型比tf.keras.Sequential更灵活。函数式模型可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型等等

深度学习模型通常是层的有向无环图（DAG）的主要思想。因此，函数式模型是一种构建层图的方法。

对于较复杂的模型（多输入模型，多输出模型，具有共享图层（同一层被调用多次）的模型，具有非顺序数据流的模型（例如，残余连接））
例：

inputs = tf.keras.Input(shape=(32,))  
#inputs=tf.keras.Input(shape=(32,))
x = layers.Dense(64, activation='relu')(inputs) #第一层
x = layers.Dense(64, activation='relu')(x) #第二层
predictions = layers.Dense(10)(x) #第三层
model = tf.keras.Model(inputs=inputs, outputs=predictions)model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])import numpy as np
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit(data, labels, batch_size=32, epochs=5)

例二：

inputs1 = tf.keras.Input(shape=(32,))  #输入1
inputs2 = tf.keras.Input(shape=(32,))  #输入2
x1 = layers.Dense(64, activation='relu')(inputs1) #第一层
x2 = layers.Dense(64, activation='relu')(inputs2) #第一层
x = tf.concat([x1,x2],axis=-1)
x = layers.Dense(64, activation='relu')(x) #第二层
predictions = layers.Dense(10)(x) #第三层
model = tf.keras.Model(inputs=[inputs1,inputs2], outputs=predictions)model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])import numpy as np
data1 = np.random.random((1000, 32))
data2 = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit((data1,data2), labels, batch_size=32, epochs=5)

---

子类模型 Subclassing model

通过子类化tf.keras.Model和定义自己的前向传播模型来构建完全可定制的模型。
和eager execution相辅相成。
和Pytorch很像（pytorch是用forward前向传播）。需要对python的类较熟悉。
最主要的有两层，最主要的是第一层初始化__init__定义自己的层，
下面的CALL是传入的张量，定义传播方式。
例如下：

class MyModel(tf.keras.Model):def __init__(self, num_classes=10):super(MyModel, self).__init__(name='my_model')self.num_classes = num_classes# 定义自己需要的层self.dense_1 = layers.Dense(32, activation='relu') #self.dense_2 = layers.Dense(num_classes)def call(self, inputs):#定义前向传播# 使用在 (in `__init__`)定义的层x = self.dense_1(inputs)x = self.dense_2(x)return xmodel = MyModel(num_classes=10)model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])import numpy as npdata = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
# Trains for 5 epochs.
model.fit(data, labels, batch_size=32, epochs=5)

Train on 1000 samples
Epoch 1/5
1000/1000 [==============================] - 1s 853us/sample - loss: 12.9870 - accuracy: 0.1170
Epoch 2/5
1000/1000 [==============================] - 0s 328us/sample - loss: 14.9116 - accuracy: 0.1120
Epoch 3/5
1000/1000 [==============================] - 0s 269us/sample - loss: 17.3875 - accuracy: 0.1080
Epoch 4/5
1000/1000 [==============================] - 0s 123us/sample - loss: 19.5177 - accuracy: 0.1110
Epoch 5/5
1000/1000 [==============================] - 0s 274us/sample - loss: 21.4926 - accuracy: 0.1270
<tensorflow.python.keras.callbacks.History at 0x2128108f668>

不建议大家用顺序模型，太简单了限制思维。
初学者建议多使用函数式的模型。
更复杂的可以尝试子类模型。
大后期玩子类模型。
总结，星号的一定要扎实掌握与重视。

**课程来自“深度之眼”