Python 在tensorflow-2.0 beta中绘制子类模型

我有一个子类模型，它通过子类化实例化了一些自定义层。我尝试使用

keras.utils.plot\u model（）

，但它所做的只是打印模型块，没有一个图层出现

Tensorflow专家对此有何评论？将来是否会实现此功能？如果不是，检查计算图的下一个最佳选择是什么？请注意，

model.summary（）

仅提供自定义层参数的摘要，其中包含两个密集层。理想情况下，我喜欢看到所有的计算，如果这不是要求太多

更新：我深入研究了源代码，看起来像plot\u model（），首先检查

\u is\u graph\u network

属性。图形网络用于函数式和顺序式API。来源：

存在两种类型的

网络

：图形网络和子类网络。图表 Keras功能性和顺序API中使用了网络。子类 当用户对

模型

类进行子类化时，将使用网络。一般来说 图形网络比子类网络支持更多的Keras功能 网络，特别是：

• 模型克隆（

  keras.models.clone（）

  ）
• 序列化（

  model.get_-config（）/from_-config（）

  ，

  model.to_-json（）/to_-yaml（）

  ）
• 整个模型保存（

  model.save（）

  ）

（自定义图形组件） 当然，我想知道我是否可以构建一个图形网络组件，这样我的子类模型/层就可以使用这些特性。这需要很多努力吗

（tf.函数图可视化）

---

有人能告诉我通过Tensorboard进行的图形可视化是否适用于Tensorflow2 tf.函数吗？在Tensorflow 1.x中，定义了一个ops逻辑组的名称范围（例如，GAN中的生成器/鉴别器、VAE中的编码器/解码器和损耗/度量），然后它们在图形可视化中显示为高级块。我可以为tf.函数定义类似的内容吗？

根据官方文档， 你可以

使用TensorFlow摘要跟踪API记录 张力板的可视化

下面是一个可视化子类模型的简单示例：

import tensorflow as tf

from tensorflow.keras import layers

class MyModel(tf.keras.Model):

  def __init__(self, num_classes=10):
    super(MyModel, self).__init__(name='my_model')
    self.num_classes = num_classes
    self.dense_1 = layers.Dense(32, activation='relu')
    self.dense_2 = layers.Dense(num_classes, activation='sigmoid')

  def call(self, inputs): 
    x = self.dense_1(inputs)
    return self.dense_2(x)

model = MyModel(num_classes=10)

model.compile(optimizer=tf.keras.optimizers.RMSprop(0.001),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

@tf.function
def trace():
  data = np.random.random((1, 32))
  model(data)


logdir = "trace_log"
writer = tf.summary.create_file_writer(logdir)
tf.summary.trace_on(graph=True, profiler=True)
# Forward pass
trace()
with writer.as_default():
  tf.summary.trace_export(name="model_trace", step=0, profiler_outdir=logdir)

然后可以使用Tensorboard检查计算图：

tensorboard --logdir trace_log

---

如果有人看到这一点，并知道谁可以帮助，请让我知道。我真的希望了解更多关于tensorflow2的内部工作原理。谢谢。你知道如何绘制使用子类技术创建的模型了吗？@DavidKWH如果你还在寻找答案，我已经发布了一个简单的解决方法。