Python 如何处理Keras函数模型API中批量规范化的更新操作？

我正在尝试Keras模型的函数API，并尝试使用相同的模型和权重共享建立两个数据集流，这也包括批处理规范化。当我在第一个数据流上创建模型，然后在第二个数据流上调用它时，我可以在tensorboard中看到额外的更新操作，但是模型不包括这些新创建的操作。我的问题是，在仍然能够使用经典的tensorflow会话、数据集迭代器和自定义的loss和优化器的情况下，对于这种场景，一种好的编码方法应该是什么样的

我附上了一些代码，展示了我请求的行为在BatchNormalization层本身中的实际工作方式。不过，在这种情况下，对更新操作有更多的控制也是很好的，例如，不需要迭代列表并检查名称，直接让更新操作与层本身的调用连接或返回，这样就可以直接将更新操作与正确的数据流相关联

将tensorflow导入为tf
进口舒蒂尔
将os.path导入为osp
rmtree（osp.join（'/tmp'，keras_model_testtb'），ignore_errors=True）
tb_saver=tf.summary.FileWriter（osp.join(
“/tmp”、“keras”模型“testtb”，
))
input1=tf.keras.layers.Input（shape=（无，3），dtype=tf.float32）
batchnorm=tf.keras.layers.BatchNormalization（）
output1=batchnorm（输入1，训练=tf.常数（真））
#以下印刷品显示：
# [
#   ,
#   
# ]
打印（batchnorm.updates）
input2=tf.keras.layers.Input（shape=（无，3），dtype=tf.float32）
output2=batchnorm（输入2，训练=tf.常数（真））
#以下印刷品显示：
# [
#   ,
#   ,
#   ,
#   
# ]
#两个层调用的更新操作被合并到一个列表中，并且必须检查操作的名称
#在优化器中正确使用它们
打印（batchnorm.updates）
使用tf.Session（）作为会话：
session.run（tf.global\u variables\u initializer（））
tb\u saver.add\u图形（session.graph）

下面是一些使用Keras模型API的示例代码。如您所见，仅在使用keras输入层的情况下，模型更新操作才具有上一示例中的额外2个更新操作。对于数据集迭代器，它似乎做了一些不同的事情

#/usr/bin/env蟒蛇3
导入tensorflow作为tf
进口舒蒂尔
将os.path导入为osp
def重塑（示例）：
返回tf.cast（tf.tile（示例[None，None，None]，[2,4,3]），tf.float32）
ds=tf.data.Dataset.range（10）
ds=ds.map（重塑）
input_ds=ds.make_one_shot_iterator（）.get_next（）
rmtree（osp.join（'/tmp'，keras_model_testtb'），ignore_errors=True）
tb_saver=tf.summary.FileWriter（osp.join(
“/tmp”、“keras”模型“testtb”，
))
input1=tf.keras.layers.Input（shape=（无，3），dtype=tf.float32）
output1=tf.keras.layers.BatchNormalization（）（input1，training=tf.constant（True））
模型=tf.keras.models.model（输入=输入1，输出=输出1）
#以下照片显示：
# [
#   ,
#   
# ]
# []
打印（型号更新）
打印（[n.name在tf.get_default_graph（）.中表示n的n.name，如果n.name中的'model'和n.name中的'AssignSubVariableOp'，则表示为_graph_def（）.节点]）
输出=模型（输入）
#以下照片显示：
# [
#   ,
#   
# ]
#['model/batch\u normalization\u v1/AssignMovingAvg/AssignSubVariableOp'，'model/batch\u normalization\u v1/AssignMovingAvg\u 1/AssignSubVariableOp']
打印（型号更新）
打印（[n.name在tf.get_default_graph（）.中表示n的n.name，如果n.name中的'model'和n.name中的'AssignSubVariableOp'，则表示为_graph_def（）.节点]）
#如上所述，我希望在model.updates中也能找到新的更新操作，就像在keras输入张量上调用模型一样：
input2=tf.keras.layers.Input（shape=（无，3），dtype=tf.float32）
输出2=模型（输入2）
#以下照片显示：
# [
#   ,
#   ,
#   ,
#   
# ]
# [
#“模型/批次标准化\u v1/AssignMovingAvg/AssignSubVariableOp”、“模型/批次标准化\u v1/AssignMovingAvg\u 1/AssignSubVariableOp”，
#“model_1/batch_normalization_v1/AssignMovingAvg/AssignSubVariableOp”、“model_1/batch_normalization_v1/AssignMovingAvg_1/AssignSubVariableOp”
# ]
打印（型号更新）
打印（[n.name在tf.get_default_graph（）.中表示n的n.name，如果n.name中的'model'和n.name中的'AssignSubVariableOp'，则表示为_graph_def（）.节点]）
使用tf.Session（）作为会话：
session.run（tf.global\u variables\u initializer（））
tb\u saver.add\u图形（session.graph）