趋近智
趋近智
Keras函数式API和序贯式API虽然提供了构建许多标准神经网络 (neural network)结构的便捷方式，但在处理高度定制化或动态的模型行为时，它们可能会变得笨重或不够用。对于需要对模型前向传播逻辑进行最大化灵活和控制的场景，TensorFlow提供了通过继承tf.keras.Model类来定义模型的能力。
这种方法将您的模型定义视为一个普通的Python类。您继承tf.keras.Model并实现必要的方法来定义模型的组成部分及其计算逻辑。这种命令式风格让您能够完全自由地在Python代码中直接实现精细的架构、条件逻辑或递归结构。
__init__ 和 call当您继承tf.keras.Model时，需要实现两个基本方法：
__init__(self, ...): 构造函数。您在此处定义模型将使用的所有层和子模块。重要的是在__init__中将层定义为模型实例的属性（例如，self.my_layer = tf.keras.layers.Dense(...)）。这可确保Keras能够自动追踪层的变量（权重 (weight)和偏置 (bias)）。您也可以在此处定义模型逻辑所需的其他常量或属性。
call(self, inputs, training=None, mask=None): 前向传播方法。此方法包含模型的核心逻辑，定义输入如何转换为输出。您在此处使用在__init__中定义的层，将它们应用于输入张量或中间张量。inputs参数 (parameter)接收输入数据。可选的training参数是一个布尔值，表示模型是在训练模式还是推理 (inference)模式下运行。这对于Dropout或BatchNormalization这类在两种模式下行为不同的层来说很重要。一个好的做法是在call方法签名中包含training参数，并将其传递给该方法中使用的任何此类层。
我们使用子类化API来实现一个简单的多层感知机（MLP）来演示这个思路。
import tensorflow as tf
class SimpleMLP(tf.keras.Model):
def __init__(self, num_units_l1, num_units_l2, num_classes, name="simple_mlp", **kwargs):
super().__init__(name=name, **kwargs)
# 在构造函数中定义层
self.dense_layer_1 = tf.keras.layers.Dense(num_units_l1, activation='relu')
self.dropout_layer = tf.keras.layers.Dropout(0.5) # 需要`training`参数的层示例
self.dense_layer_2 = tf.keras.layers.Dense(num_units_l2, activation='relu')
self.output_layer = tf.keras.layers.Dense(num_classes, activation='softmax')
def call(self, inputs, training=None):
# 定义前向传播逻辑
x = self.dense_layer_1(inputs)
# 将`training`参数传递给需要的层
x = self.dropout_layer(x, training=training)
x = self.dense_layer_2(x)
outputs = self.output_layer(x)
return outputs
# 实例化模型
mlp_model = SimpleMLP(num_units_l1=128, num_units_l2=64, num_classes=10)
# 构建模型（可选，首次调用时自动发生）
# 此步骤根据输入形状初始化权重
mlp_model.build(input_shape=(None, 784))
# 您可以查看模型
mlp_model.summary()
# 示例调用（前向传播）
# 创建一些模拟数据（批量大小4，特征大小784）
dummy_input = tf.random.normal([4, 784])
output_tensor = mlp_model(dummy_input, training=False) # 在推理时调用
print("Output shape:", output_tensor.shape)
在此示例中：
Dense、Dropout）在__init__中定义并作为实例属性存储。call方法决定了操作序列：输入 -> dense1 -> dropout -> dense2 -> 输出。training参数 (parameter)在call方法中显式传递给Dropout层。当您使用model.fit()、model.evaluate()或model.predict()时，Keras会自动处理为training提供正确的布尔值。使用子类化API的主要原因是灵活性。它使您能够：
call方法中使用Python的if/else语句、for循环，甚至调用外部Python函数。尽管tf.function（Keras自动使用）在将Python代码转换为图时会施加某些限制，但它能有效处理常见的控制流结构（参见第一章）。call方法中单步调试Python代码，尤其是在即时执行模式下。当函数式API感觉受到限制时，例如在实现新颖的研究思路、具有动态行为的模型，或前向传播过程中计算路径通过编程决定的架构时，应选择子类化。
对比子类化方法与Keras函数式API会很有帮助：
| 特性 | 函数式API | 子类化API |
|---|---|---|
| 定义 | 声明式：定义图结构 | 命令式：定义前向传播逻辑 |
| 灵活性 | 适用于静态、有向无环图 | 对动态/复杂逻辑具有高灵活性 |
| 架构 | 由层连接显式定义 | 由call方法隐式定义 |
| 可视化 | 易于模型绘图 (tf.keras.utils.plot_model) |
静态结构可视化可能更难 |
| 序列化 | 通常直接序列化 | SavedModel效果好；某些复杂Python逻辑可能需额外处理 |
| 调试 | 调试图的构建/执行 | 调试call中的Python代码（通常更简单） |
函数式API会事先创建模型的静态图表示。这个图易于检查、绘制和分析。子类化API通过call方法中执行的Python代码命令式地定义前向传播。虽然tf.function会将其编译成图以提高性能，但定义本身更具动态性。
函数式API与子类化API定义模型的方式对比。函数式API显式定义层图，而子类化API则在
call方法中定义前向传播逻辑，使用在__init__中定义的层。
training参数 (parameter)的处理请记住，call(self, inputs, training=None)中的training参数很重要。Keras在model.fit()期间会自动将其设置为True，而在model.evaluate()或model.predict()期间设置为False。您必须将此参数传递给call方法中那些在训练和推理 (inference)期间行为不同的任何层，例如tf.keras.layers.Dropout或tf.keras.layers.BatchNormalization。忘记这样做是常见的错误来源，会导致模型在推理时行为异常（例如，Dropout仍然活跃）。
# 在子类化模型的call方法内部：
def call(self, inputs, training=None):
x = self.conv_layer(inputs)
x = self.batch_norm_layer(x, training=training) # 正确：传递训练标志
x = tf.nn.relu(x)
x = self.dropout_layer(x, training=training) # 正确：传递训练标志
# ... 前向传播的其余部分
return outputs
通过子类化创建的模型通常可以使用model.save()和tf.keras.models.load_model()像序贯式或函数式模型一样保存和加载。这会将模型架构（通过检查tf.function追踪的call方法）、权重 (weight)和优化器状态保存为TensorFlow SavedModel格式。
但是，请注意序列化依赖于TensorFlow将call方法追踪成图的能力。如果您的call方法包含难以轻易追踪或严重依赖外部Python状态的复杂Python逻辑，那么保存和加载可能需要更仔细的处理或自定义序列化逻辑。对于大多数标准的深度学习 (deep learning)操作和控制流，tf.function和SavedModel都运行良好。
通过掌握子类化API，您将能够实现TensorFlow中几乎任何模型架构或行为，从而能够构建真正自定义的机器学习 (machine learning)解决方案。
这部分内容有帮助吗？
tf.keras.Model 以完全控制模型架构和前向传播。tf.function 的官方指南，它自动将 Python 代码转换为 TensorFlow 图以提高性能，对理解子类化模型如何优化很重要。© 2026 ApX Machine LearningAI伦理与透明度•