最近在用tensorflow2.0搭建一個簡單的神經網絡，雖然結構簡單但是由於對自定義有要求，官方提供的layer和model不能滿足要求，因此需要自行對layer、model、loss function進行自定義。由於tensorflow2.0發布不久，國內相關文章較少，我便決定寫上這一系列文章。本文討論tensorflow2.0中如何自定義layer。
（一）tensorflow2.0 - 自定義layer
（二）tensorflow2.0 - 自定義Model
（三）tensorflow2.0 - 自定義loss function（損失函數）
（四）tensorflow2.0 - 實戰稀疏自動編碼器SAE
本文不討論tensorflow1和2在版本上自定義layer的區別，只講述2.0版本下如何自定義layer。
本文架構上不做長篇大論，直接根據代碼來解釋如何自定義模型。
首先引入相應的庫函數
import tensorflow as tf
from tensorflow.keras import *
然后自定義Layer類，這里命名為SAELayer，繼承自tensorflow.keras.layers.Layer，由於上面引入的庫函數為from tensorflow.keras import *，所以寫起來就比較清爽，可以直接簡寫為layers.Layer，之后的都如此，寫法上tensorflow.keras都省略了，就不做多解釋。
需要注意，Layer類中涉及到了三個重要的方法，分別是__init__()，build()，call()，關於他們的關系與作用請看我的另一篇文章（tensorflow2.0中Layer的__init__()，build(), call()函數）。這里只簡單說明，__init__()函數在創建Layer對象時調用，build在第一次調用call前調用（只調用一次），往后使用Layer的方法都是使用call()的方法。
需要注意build()方法的參數，該方法是被自動調用的，所以其參數是固定的（當然改形參名稱沒關系），但是不能添加或者刪除參數。而call()方法的官方定義為Layer.call(inputs, **kwargs)，因此它至少需要一個input作為參數（輸入該層的數據），其他參數可以按需自定義
下例為進行一個簡單的sigmoid(w*x + b)的功能的自定義層，當然這是一次對一批數據進行操作，所以需要用矩陣（張量）的方式來思考。
class SAELayer(layers.Layer):
# 初始化num_outputs，即當前層輸出元素的個數
def __init__(self, num_outputs):
super(SAELayer, self).__init__()
self.num_outputs = num_outputs
# 在第一次調用該Layer的call方法前（自動）調用該函數，可以知道輸入數據的shape
# 根據輸入數據的shape可以初始化權值、bias的矩陣
def build(self, input_shape):
self.kernel = self.add_variable("kernel",
shape=[int(input_shape[-1]),
self.num_outputs])
self.bias = self.add_variable("bias",
shape=[self.num_outputs])
def call(self, input):
output = tf.matmul(input, self.kernel) + self.bias
# sigmoid激活函數
output = tf.nn.sigmoid(output)
return output
到此Layer就定義好了，大家可以根據需要對其各部分進行修改，比如在build()中增刪參數、在call()中更改計算方式、激活函數等等。
Layer定義好了，如何使用呢？
大可以按照正常使用其他Layer的方式來調用，如果想看具體實例，可以看下一篇文章，里面將Layer放入了一個簡單的自定義Model中進行使用。
（二）tensorflow2.0 - 自定義Model
參考文獻：