Keras NotImplementedError：当子类化'Model'类时，应该实现'call'方法

我正在研究这个图像分类问题。我正在尝试使用子类化

API的

来完成几乎所有的事情。我已经创建了自定义的conv块，如下所示：

class ConvBlock(keras.layers.Layer):
    def __init__(self, in_features, kernel_size=(3, 3)):
        super(ConvBlock, self).__init__()
        self.conv = keras.layers.Conv2D(in_features, kernel_size, padding="same")
        self.bn = keras.layers.BatchNormalization()
        self.relu = keras.activations.relu
        
    def call(self, x, training=False):
        x = self.conv(x)
        x = self.bn(x, training=training)
        return self.relu(x)

from tensorflow import keras 

class Model(keras.Model):
   def __init__:
       self.model = model
   def train_step:
   def test_step:
   def compile: 

   # implement the call method
   def call(self, inputs, *args, **kwargs):
       return self.model(inputs)

之后，我创建了用于测试的简单

顺序
模型，如下所示：

class ConvBlock(keras.layers.Layer):
    def __init__(self, in_features, kernel_size=(3, 3)):
        super(ConvBlock, self).__init__()
        self.conv = keras.layers.Conv2D(in_features, kernel_size, padding="same")
        self.bn = keras.layers.BatchNormalization()
        self.relu = keras.activations.relu
        
    def call(self, x, training=False):
        x = self.conv(x)
        x = self.bn(x, training=training)
        return self.relu(x)

from tensorflow import keras 

class Model(keras.Model):
   def __init__:
       self.model = model
   def train_step:
   def test_step:
   def compile: 

   # implement the call method
   def call(self, inputs, *args, **kwargs):
       return self.model(inputs)

seq_model=keras.Sequential([
康夫布洛克（64），
康夫布洛克（128），
康夫布洛克（64），
keras.layers.Flatten（），
keras.layers.致密（64，活化='relu'），
keras.layers.致密（128，活化='relu'），
keras.layers.致密（64，活化='relu'），
keras.层.致密（5，活化='softmax'），
]，name=“seq_model”）
seq_模型构建（（无、96、96、1））
seq_模型摘要（）

到目前为止还不错，如果我在这个
序列模型上调用
.compile（）
，
.train（）
和
.evaluate（）
，它就可以工作了。当我尝试使用自定义的
.compile（）
，
调用
.train（）
和
调用
.evaluate（）
，
.train（）
和
.evaluate（）
时，就会出现问题。以下代码显示了我是如何创建它们的：

类模型（keras.Model）：
定义初始化（自我，模型）：
super（）。\uuuu init\uuuuu（）
self.model=model
#.compile（）
def编译（自我、损失、优化器、度量）：
super（）.compile（）
自我损失=损失
self.optimizer=优化器
self.custom_metrics=度量
#.fit（）
def系列步骤（自身、数据）：
x、 y=数据
使用tf.GradientTape（）作为磁带：
pred=self.model（x，training=True）
损失=自身损失（y，pred）
梯度=磁带梯度（损耗、自可训练的变量）
优化器。应用_梯度（zip（梯度，自可训练的_变量））
self.custom\u metrics.update\u state（y，pred）
返回{“损失”：损失，“准确性”：self.custom_metrics.result（）}
#.评估（）
def测试步骤（自身、数据）：
x、 y=数据
pred=self.model（x，training=False）
损失=自身损失（y，pred）
self.custom\u metrics.update\u state（y，pred）
返回{“损失”：损失，“准确性”：self.custom_metrics.result（）}

这就是我所说的

yoga_模型=模型（顺序模型）
yoga_model.compile(
损失=keras.loss.CategoricalCrossentropy（根据逻辑=False），
优化器=keras.optimizers.Adam（lr=0.001），
metrics=keras.metrics.CategoricalAccuracy（name=“acc”）
)
瑜珈模型.fit（训练，历次=1，详细=1）

请帮忙。欢迎提供帮助。
在具有子类API的自定义模型中，实现
调用
方法，如下所示：

class ConvBlock(keras.layers.Layer):
    def __init__(self, in_features, kernel_size=(3, 3)):
        super(ConvBlock, self).__init__()
        self.conv = keras.layers.Conv2D(in_features, kernel_size, padding="same")
        self.bn = keras.layers.BatchNormalization()
        self.relu = keras.activations.relu
        
    def call(self, x, training=False):
        x = self.conv(x)
        x = self.bn(x, training=training)
        return self.relu(x)

from tensorflow import keras 

class Model(keras.Model):
   def __init__:
       self.model = model
   def train_step:
   def test_step:
   def compile: 

   # implement the call method
   def call(self, inputs, *args, **kwargs):
       return self.model(inputs)

你应该在你的模型类中实现一个调用函数。非常感谢你这么做。很高兴它有帮助。请把它标为正确答案。）已标记..！不，我的意思是，如果此答案解决了您的问题，您应该标记勾号（绿色图标）。）