6、深入探索tf.keras：从模型构建到图像分类

深入探索tf.keras：从模型构建到图像分类

1. 模型构建选择

在构建模型时，如果你喜欢面向对象编程，那么可以选择模型子类化。若没有特定的子类化需求，函数式API就能满足创建复杂架构的所有要求。

2. 预定义层

tf.keras提供了Sequential API来构建网络架构，你可以不断向其中添加网络层。以下是一些常用的预定义层：
- Dense：全连接层
- Conv2D：二维卷积层
- InputLayer：网络的入口层
- LSTM：长短期记忆层
- RNN：自定义循环层的基类

除了这些，还有Dropout、Flatten、LayerNormalization等类，并且你还可以定义自己的自定义层。

3. 自定义层

自定义层需要继承自 tf.keras.layers.Layer ，并需要重写四个函数： __init__ 、 build 、 call 和 compute_output_shape 。以下是一个典型的自定义层类定义：

class MyLayer(tf.keras.layers.Layer):
    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(MyLayer, self).__