全面小白分析如何使用tensorflow2.0中Model子类化创建自定义模型

本文详细介绍了如何使用TensorFlow 2.0通过子类化创建自定义神经网络层和模型，包括定义DBL层的具体步骤，以及如何利用自定义层构建复杂网络结构。

在讲清楚如何使用Model子类化创建自定义模型的之前，需要跟大家讲清楚如何使用layers.Layer子类化创建自定义层。通常我们将很多很多层堆叠在一起称之为模型，实际上，一个网络层也是一个模型，只是这个模型很小，就只有一个层而已。所以从本质上，自定义模型层也就是在自定义模型，自定义模型也是在自定义层。

思考一个问题，如何自定义层？本文以实现下面DBL层为例进行自定义层的讲解
在这里插入图片描述
分析上面结构图，我们发现，我们需要卷积层（这个现有），BN层（这个也是现有），Leaky relu层（还是现有）。我们现在使用Sequential的方法来构建这个网络结构。代码如下，注意看代码注释，注意看代码注释，注意看代码注释

from tensorflow.keras import Sequential, layers

# 解决问题：“Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR”，而需要增加下面五条代码
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
config = ConfigProto()
config.gpu_options.allow_growth = True
session = InteractiveSession(config=config)




# 定义网络结构层
my_name_is_learning_model = Sequential(
    [
        layers.Conv2D(filters=32, kernel_size=3, strides=2, padding='same'),
        layers.BatchNormalization(),
        layers.LeakyReLU(alpha=0.3)
    ]
)

my_name_is_learning_model.build(input_shape=(None, 28, 28, 1))  # 指定网络my_name_is_learning_model的输入形状

import tensorflow as tf

x = tf.Variable(initial_value=tf.random.normal(shape=