TensorFlow-tf.keras.layers.Layer与tf.keras.layers..Model之间的差异

Question

通过tf.keras和tf.keras.Layer通读documentation of implementing custom layers，他们指定了两个要继承的选项tf.keras.Model和json_data。

在创建自定义层的背景下，我问自己这两者之间有什么区别？从技术上来说有什么不同？

例如，如果我要实现变压器编码器，哪个更合适？ （假设变压器在我的完整模型中只是一个“层”）

Answer 1

在文档中：

  

Model类具有与Layer相同的API，以下内容   差异：-公开了内置的培训，评估和   预测循环（model.fit（），model.evaluate（），model.predict（））。 --   它通过model.layers公开其内部层的列表。   属性。 -它公开了保存和序列化API。

     

有效地，“图层”类对应于我们在   文学作为“层”（如“卷积层”或“循环   层”）或作为“块”（如“ ResNet块”或“初始块”）。

     

与此同时，“ Model”类对应于   文学作为“模型”（如“深度学习模型”）或   “网络”（如“深度神经网络”中一样）。

因此，如果您希望能够在这些块上调用.fit()，.evaluate()或.predict()，或者希望能够分别保存和加载这些块，则应该使用Model类。 Layer类更精简，因此您不会使用不必要的功能来夸大图层……但是我想这通常不会是一个大问题。

Answer 2

• 一层吸收张量并给出张量，这是由于 一些张量运算
• 模型是多层的组成。

如果要使用现有的keras / tf层构建新的模型体系结构，请构建一个自定义模型。

如果要在一个层中实现自己的自定义张量操作，则构建一个自定义层。如果在自定义层中使用非张量运算，则必须编写该层将如何向前传播和向后传播的代码。