tensorflow2.0編程規范

背景

tensorflow2.0 相比於1.0 有很大變化，1.0版本的placeholder，Session都沒有了，2.0版本強推使用keras。keras是一個比較高層的api，確實挺好用的，一些基本模型使用起來很方便，本文主要寫了幾種常用場景下的編程規范指南，都是自己總結出來的如果大家有更好的想法可以在評論中留言。

目的

編程規范的目的是，從構架速度、清晰、可擴展幾個方面考慮。

編程規范

• 比較簡單的順序模型
  比較簡單的模型直接使用Sequential比較好，也可以使用Model構建
• 較復雜的模型
  一般指有多輸入都輸出，共享某些層等的情況。
  使用keras.Model
  keras.Model必須有輸入層，輸出層，當構建一個Model的對象時，這個對象可以看成一個層，如果想將這個層用於另一個Model，必須重新定義輸入層。舉個例子：
  

  import tensorflow as tf
  
  try:
      import tensorflow.python.keras as keras
  except:
      import tensorflow.keras as keras
  import numpy as np
  
  X = np.linspace(0, 1.0, 100)
  y = X ** 2 + 1.0
  X = np.reshape(X, (-1, 1))
  
  m_in = keras.layers.Input(shape=(1,))
  h1 = keras.layers.Dense(units=10, activation="relu")
  out = keras.layers.Dense(units=1, activation="relu")
  
  h = h1(m_in)
  h = out(h)
  model1 = keras.Model(inputs=m_in, outputs=h)
  
  m2_in = keras.layers.Input(shape=(h.shape[1],))
  h2 = keras.layers.Dense(units=12)
  h3 = keras.layers.Dense(units=1)
  h = h2(m2_in)
  h = h3(h)
  
  model2 = keras.Model(inputs=m2_in, outputs=h)
  # model2.summary()
  
  
  
  m_in = keras.layers.Input(shape=(1,))
  h = model1(m_in)
  out = model2(h)
  
  model3 = keras.Model(inputs=m_in, outputs=out)
  model3.summary()

　　關於Tensorflow2.0中Tensor類的問題，使用tf.shape獲得的Tensor對象是沒有numpy屬性的。