keras模型构建问题汇总

请关注我的微信公众号，谢谢啦
在TensorFlow 2中，@tf.function装饰器允许Python函数成为TensorFlow图（或多或少），并可以导致一些性能提升。但是，以这种方式装饰后，Python不再在每次运行时跟踪这些函数。这使得使用Python调试器调试功能更加困难。有没有一种方法可以@tf.function暂时禁用所有装饰器，以便于调试？
解决方案
使用tf.config.experimental_run_functions_eagerly(True)。

tf2+keras，在不使用model.fit的情况下，可以和torch达到同样的效果，就是动态图的效果，数据的流向可以不唯一，模型也可以用tensorboard可视化出来。实际上动态图中用到keras的就只是keras.layer里面的层，例如conv2d，但是动态图的构建方法和torch是一模一样的，你不能直接用model.add，或者keras的函数式来构建模型，而要和torch中类似，现在类的init方法中定义好所有层，然后在call方法中给定数据流动的方向，这里注意，call方法的默认参数是inputs，这个不能变，如果你有多个输入，那应该组合成list或者tuple，一并输入给inputs，然后再在里面解包。有一个非常好理解的例子在https://github.com/Baichenjia/Resnet/blob/master/resnet50.py 这个例子真的让我茅塞顿开。
除了fit和compile方法不能用，keras的summary也没法用，这个功能就是要先建立模型才能输出。否则会报错

  File "D:\Anaconda3\envs\tf2\lib\site-packages\tensorflow_core\python\keras\engine\network.py", line 1302, in summary
    raise ValueError('This model has not yet been built. '
ValueError: This model has not yet been built. Build the model first by calling `build()` or calling `fit()` with some data, or specify an `input_shape` argument in the first layer(s) for automatic build.

Process finished with exit code 1

原来基于Model对象的方法也都用不了，比如tf.keras.utils.plot_model，这个方法如果给的不是Model(input,output)产生的对象，那么可能输出的只是一张包含函数名的图。

本人对tensorboard是更喜爱的。虽然也写过和用过torch+tensorboardX，但是不大喜欢。唯一的问题是动态图方法的使用导致无法使用fit方法，那么keras用model.fit产生的可爱的进度条也就没了，但是我用tqdm重写了一个，是有效的。其中，bar已经是一个可以迭代的东西，但是附加信息不能动态显示，例如我想像keras一样显示每一个batch的精度，那就得在每次for循环中，通过bar.postfix每次算好了给他也就是了。
　　不过有一个问题需要注意，第一次前向计算没结束的时候，可还没有精度值呢！也就是说，这个精度显示的其实是上一次的精度，而不是当前这个batch的精度！而且当前这个batch，你还没算呢，怎么可能有精度呢（手动狗头），这不是个技术问题，是个鸡生蛋蛋生鸡的哲学问题。

steps_acc = 0
steps_loss = 0
mmd_loss = torch.tensor(0)
cri_loss = torch.tensor(0)
bar = tqdm(data, total=steps_per_epoch,
           desc="a string")
for source_trueColor, source_falseColor, source_dem, \
    target_trueColor, target_falseColor, target_dem, \
    masks, labels in bar:
    bar.postfix = {
        'acc': round(steps_acc, 4),
        'steps_loss': round(steps_loss, 4),
        'mmd_loss': mmd_loss.item(),
        'cri_loss': cri_loss.item()
    }

下面的错误，原因在于model_final.load_weights(pre_model_path,by_name=True)中的by_name=True，但是如果把by_name=True去掉就会解决这个问题，很奇怪？

Traceback (most recent call last):
  File "D:/abc/2-code/fianl_code/pretrain  model6/2_预训练分类模型_padding.py", line 100, in <module>
    model_final.load_weights(pre_model_path,by_name=True)
  File "D:\Anaconda3\envs\tf1\lib\site-packages\tensorflow\python\keras\engine\network.py", line 1514, in load_weights
    saving.load_weights_from_hdf5_group_by_name(f, self.layers)
  File "D:\Anaconda3\envs\tf1\lib\site-packages\tensorflow\python\keras\engine\saving.py", line 881, in load_weights_from_hdf5_group_by_name
    str(weight_values[i].shape) + '.')
ValueError: Layer #97 (named "dense_3"), weight <tf.Variable 'dense_3/kernel:0' shape=(1536, 20) dtype=float32> has shape (1536, 20), but the saved weight has shape (60, 20).

Process finished with exit code 1

keras是可以直接用eager模式构建模型的，简单来说就是可以和tensorflow还有pytorch一样，在调试模式下直接看到每一个tensor的值，这个在某些调试过程中非常重要。因为以往写的代码中，都是无法直接采用eager模式运行的，导致有一些问题无法定位，只能通过Keras稍显晦涩的报错来猜，很痛苦，下面这个是github上找到的一个代码，不复杂，但是作为eager的demo绰绰有余，非常完美。
https://github.com/Shathe/MNasNet-Keras-Tensorflow

想要找到用keras实现自己想法的最快方法，就是在github上查相关的关键词，比如本人最近在做半监督相关的网络，就是包括有标签数据和无标签数据，那我就会去查 keras Semi-Supervised 或者 keras Siamese（孪生网络）。因为不一定你想要的东西人家就一定在github上弄好了给你，但是有一些画龙点睛的东西，你看了就知道，原来模型可以这样构建，这就好办多了！

本人在写keras代码的时候，把调用部分，模型，数据生成，loss函数等都分成不同的文件从而减少耦合，也容易定位问题。
但是遇到如下问题：我在模型文件最后对模型进行了实例化（没有放在if main函数中），而模型又是自动命名的，导致在导入模型的时候实例化一遍，在调用模型的时候又调用一遍，而模型中还用了get_layer()函数，于是模型命名就不对了。

下面问题出现的原因是在Model(inputs=input, outputs=output)中，output给的不是tensor，而是由多个tensor组成的列表，这个是不允许的，只能拆开写

Traceback (most recent call last):
  File "E:/GraduationThesis/2-code/fianl_code/unet_multilabel_弱监督/unet.py", line 315, in <module>
    unet_new(15, 15, 20)
  File "E:/GraduationThesis/2-code/fianl_code/unet_multilabel_弱监督/unet.py", line 264, in unet_new
    outputs=[output, mid_feature_set])
  File "D:\Anaconda3\envs\tf1\lib\site-packages\tensorflow\python\keras\engine\training.py", line 121, in __init__
    super(Model, self).__init__(*args, **kwargs)