我正在使用Tensorflow 1.14和tf.keras API来构建许多（> 10）的differnet神经网络。 （我也对使用Tensorflow 2回答这个问题感兴趣）。我想知道如何组织我的项目。
我使用tf.keras.estimator.model_to_estimator和Tensorboard将keras模型转换为估计量以进行可视化。我有时也使用model.summary()。我的每个模型都有许多（> 20）超参数，并以三种输入数据中的一种作为输入。有时，我会使用超参数优化，以便在尝试下一组超参数之前，我经常手动删除模型并使用tf.keras.backend.clear_session()。
当前，我正在使用将超参数作为参数并返回相应的已编译keras模型以转换为估计量的函数。我使用三种不同的“ Main_Datatype.py”脚本来训练三种不同输入数据类型的模型。所有数据都是从.tfrecord文件加载的，每种数据类型都有一个输入函数，所有将该类型的数据作为输入的估算器都使用该函数。我在Main脚本之间切换模型（即返回模型的函数）。我还有一些构建模块，这些构建模块是多个模型的一部分，为此我使用辅助函数将其返回，并使用Keras功能API将最终结果拼凑在一起。
不同模型之间的细微不兼容开始使我感到困惑，我决定使用类来组织项目。我打算为每个模型创建一个类，以跟踪超参数并正确命名每个模型及其模型目录。但是，我想知道Tensorflow中是否存在建立或推荐的方法。
问题：我应该继承tf.keras.Model的子类，而不是使用函数来构建封装它们的模型或python类吗？子类化keras.Model是否会破坏（或需要大量工作才能启用）我与keras估计器和张量板一起使用的任何功能？我已经看到人们在使用自定义Model类时遇到了许多问题，并且有些不情愿仅仅为了发现它不适合我而投入工作。您还有其他建议来更好地组织我的项目吗？
非常感谢您。
答案 0 :(得分：2)
仅在绝对需要时才子类化。我个人更喜欢遵循以下执行顺序。如果使用前两个选项无法实现所设计模型的复杂性，那么剩下的唯一选择就是子类化。
答案 1 :(得分：1)