Python 如何将使用tensorflow构建的模型转换为keras api？

因此，在当前的项目中，我必须从这里修改官方代码，我对tensorflow和他的所有概念都很陌生，我与tf.keras一起工作，但实际代码是用tensorflow编写的（版本1.7，很旧…），我想知道是否有人能解释一下这个模型是如何工作的，或者有没有想法用keras和tensorflow的最新版本（tf版本2）编写一个等价的模型。原始代码就在这里（ConvNCF.py）

预测模型 类别ConvNCF： def_uuinit_uu（self、num_users、num_items、args）：#TODO:为什么其他参数有用？ self.num\u items=num\u items self.num\u users=num\u users self.embedded\u size=args.embedded\u size self.lr\u embed=args.lr\u embed self.lr_net=args.lr_net #托多：那些东西是什么？ Self.HydNythSosial= ARGS。 Self.NC＝EVAR（ARGS.NETShanChank） regs=eval（args.regs） self.lambda_双线性=regs[0] self.gamma_双线性=regs[1] self.lambda_weight=regs[2] self.dns=args.dns self.train\u auc=args.train\u auc 自我准备=错误 定义\u创建\u占位符（自）： 使用tf.name\u范围（“输入数据”）： self.user\u input=tf.placeholder（tf.int32，shape=[None，1]，name=“user\u input”） self.item\u input\u pos=tf.placeholder（tf.int32，shape=[None，1]，name=“item\u input\u pos”） self.item\u input\u neg=tf.placeholder（tf.int32，shape=[None，1]，name=“item\u input\u neg”） self.keep_prob=tf.placeholder（tf.float32，name=“keep_prob”）#TODO:为什么这个东西有用？ 定义转换重量（自身、isz、osz）： 返回值（权重变量（[2,2，isz，osz]）、偏差变量（[osz]）） 定义转换层（自身、输入、P）： conv=tf.nn.conv2d（输入，P[0]，步幅=[1,2,2,1]，padding='SAME'） 返回tf.nn.relu（conv+P[1]） 定义创建变量（自）： 使用tf.name_范围（“嵌入”）： self.embedding\u P=tf.Variable（tf.truncated\u normal（shape=[self.num\u users，self.embedding\u size]，mean=0.0，stddev=0.01）， name='embedding_P'，dtype=tf.float32）#（用户，嵌入大小） self.embedding\u Q=tf.Variable（tf.truncated\u normal（shape=[self.num\u items，self.embedding\u size]，mean=0.0，stddev=0.01）， name='embedding_Q'，dtype=tf.float32）#（项目，嵌入大小） #这里应该有6个ISZ，因为外部产品的尺寸是64x64 iszs=[1]+self.nc[：-1] oszs=self.nc self.P=[] 对于isz，邮政编码中的osz（isz，osz）： self.P.append（self.\u conv\u weight（isz，osz）） self.W=权重_变量（[self.nc[-1]，1]） self.b=权重_变量（[1]） 定义创建推理（自身、项目输入）： 使用tf.name_范围（“推断”）： #嵌入查找 self.embedding\u p=tf.nn.embedding\u查找（self.embedding\u p，self.user\u输入） self.embedding\u q=tf.nn.embedding\u查找（self.embedding\u q，项输入） #P_和Q_i的外积 self.relation=tf.matmul（tf.transpose（self.embedding\u p，perm=[0,2,1]），self.embedding\u q） self.net\u input=tf.expand\u dims（self.relation，-1） #有线电视新闻网 self.layer=[] 输入=self.net\u输入 对于self.p中的p： self.layer.append（self.\u conv\u layer（输入，p）） 输入=自身层[-1] #预测 self.dropout=tf.nn.dropout（self.layer[-1]，self.keep_prob） self.output_layer=tf.matmul（tf.reforme（self.dropout，[-1，self.nc[-1]]），self.W）+self.b 返回self.embedding\u p、self.embedding\u q、self.output\u层 def_常规（自身、参数）： res=0 对于参数中的参数： res+=tf.reduce_sum（tf.square（param[0]））+tf.reduce_sum（tf.square（param[1]）） 返回res def_创建_损失（自身）： 具有tf.name_范围（“损失”）： #L（θ）的BPR损失 self.p1、self.q1、self.output=self.\u创建\u推理（self.item\u输入\u位置） self.p2、self.q2、self.output\u neg=self.\u创建\u推理（self.item\u input\u neg） self.result=self.output-self.output_neg self.loss=tf.reduce_sum（tf.log（1+tf.exp（-self.result））） self.opt_loss=self.loss+self.lambda_双线性*（tf.reduce_和（tf.square（self.p1））\ +tf.reduce_sum（tf.square（self.q2））+tf.reduce_sum（tf.square（self.q1）））\ +self.gamma_双线性*self._正则（[（self.W，self.b）]）\ +self.lambda_-weight*（self._-regular（self.P）+self._-regular（[（self.W，self.b）]） #在首次对EMGEDDING进行预训练但随机初始化网络时使用 #如果不是，则参数可能为NaN。 定义创建预优化器（自）： self.pre_opt=tf.train.adagradeOptimizer（学习率=0.01）。最小化（self.loss） 定义创建优化器（自身）： #分离优化器 var_list1=[self.embedding_P，self.embedding_Q] #[self.W1，self.W2，self.W3，self.W4，self.b1，self.b2，self.b3，self.b4，self.P1，self.P2，self.P3] var_list2=列表（set（tf.trainable_variables（））-set（var_list1）） opt1=tf.train.adagradeOptimizer（self.lr_嵌入） opt2=tf.train.adagradeOptimizer（self.lr_net） 梯度=tf.梯度（自选择损失，var_列表1+var_列表2） 梯度1=梯度[：len（变量列表1）] 梯度2=梯度[len（变量列表1）：] 列车op1=opt1。应用梯度（列表（zip（梯度1，变量列表1））） 序列op2=opt2。应用梯度（列表（zip（梯度2，变量列表2））） self.optimizer=tf.group（列）