Keras 由于Python操作而导致的张量板图混乱

这个问题是关于TensorFlow（和TensorBoard）版本2.2rc3的，但我在2.1中遇到过同样的问题

考虑以下奇怪的代码：

从日期时间导入日期时间
导入tensorflow作为tf
从tensorflow进口keras
输入=keras.layers.Input（形状=（784，））
x1=keras.layers.Dense（32，activation='relu'，name='Model/Block1/relu'）（输入）
x1=keras.layers.Dropout（0.2，name='Model/Block1/Dropout'）（x1）
x1=keras.layers.Dense（10，激活='softmax'，名称='Model/Block1/softmax'）（x1）
x2=keras.layers.Dense（32，激活='relu'，名称='Model/Block2/relu'）（输入）
x2=keras.layers.Dropout（0.2，name='Model/Block2/Dropout'）（x2）
x2=keras.layers.Dense（10，激活='softmax'，名称='Model/Block2/softmax'）（x2）
x3=keras.layers.density（32，activation='relu'，name='Model/Block3/relu'）（输入）
x3=keras.layers.Dropout（0.2，name='Model/Block3/Dropout'）（x3）
x3=keras.layers.Dense（10，激活='softmax'，名称='Model/Block3/softmax'）（x3）
x4=keras.layers.density（32，activation='relu'，name='Model/Block4/relu'）（输入）
x4=keras.layers.Dropout（0.2，name='Model/Block4/Dropout'）（x4）
x4=keras.layers.Dense（10，激活='softmax'，名称='Model/Block4/softmax'）（x4）
输出=x1+x2+x3+x4
模型=tf.keras.model（输入=输入，输出=输出）
model.summary（）
（x_列，y_列），（x_测试，y_测试）=keras.dataset.mnist.load_data（）
x_-train=x_-train.重塑（60000784）.aType（'float32'）/255
x_测试=x_测试。重塑（10000784）。aType（'float32'）/255
model.compile（loss=keras.loss.sparsecategoricalcrossention（from_logits=True），
optimizer=keras.optimizers.RMSprop（），
指标=[‘准确度’]）
logdir=“logs/”+datetime.now（）.strftime（“%Y%m%d-%H%m%S”）
tensorboard\u callback=keras.callbacks.tensorboard（log\u dir=logdir）
模型安装（x_系列、y_系列、，
批次大小=64，
纪元=5，
验证_分割=0.2，
回调=[tensorboard_回调]）

运行它并查看在TensorBoard中创建的图形时 .

可以看出，加法操作非常难看

更换线路时

输出=x1+x2+x3+x4

下面的句子：

outputs=keras.layers.add（[x1，x2]，name='Model/add/add1'））
outputs=keras.layers.add（[outputs，x3]，name='Model/add/add2'））
outputs=keras.layers.add（[outputs，x4]，name='Model/add/add3'））

（在第二个屏幕截图中，详细显示了模型以及其中一个内部块）

模型的两种表示形式之间的区别在于，在第二种表示形式中，我们可以命名加法操作并将其分组

我找不到任何方法来命名这些操作，除非使用

keras.layers.add（）

。在这个模型中，问题看起来并不那么严重，因为模型很简单，而且很容易用

keras.layers.add（）

替换

+

。然而，在更复杂的模型中，这可能成为一个真正的难题。例如，诸如

t[：，start:end]

之类的操作应该转换为对

tf.stridded\u slice（）

的复杂调用。因此，我的模型表示非常混乱，有大量神秘的聚集、跨步和concat操作

---

我想知道是否有一种方法来包装/分组这些操作，以便在TensorBoard中生成更好的图形。

按照Marco Cerliani的提示，

Lambda

层在这里确实非常有用。因此，下面的代码将对

+

进行很好的分组：

outputs = keras.layers.Add()([x1, x2, x3, x4])

outputs=keras.layers.Lambda（Lambda x:x[0]+x[1]，name='Model/add/add1'）（[x1，x2]）
输出=keras.layers.Lambda（Lambda x:x[0]+x[1]，name='Model/add/add2'）（[outputs，x2]）
输出=keras.layers.Lambda（Lambda x:x[0]+x[1]，name='Model/add/add3'）（[outputs，x2]）

或者，如果需要包装步幅，以下代码将对

t[]

进行很好的分组：

x1=keras.layers.Lambda（Lambda x:x[：，0:5]，name='Model/stride\u concat/strip1'）（x1）#而不是x1=x1[：，0:5]
x2=keras.layers.Lambda（Lambda x:x[：，5:10]，name='Model/stride_concat/stride2'）（x2）#而不是x2=x2[：，5:10]
输出=keras.layers.concatenate（[x1，x2]，name='Model/stride\u concat/concat'）

这回答了所提出的问题。但实际上，还有一个未解决的问题，在另一个问题中有描述：''