Python Tensorflow.keras的项目组织。应该有一个子类tf.keras.Model吗？

我正在使用Tensorflow 1.14和

tf.keras

API构建大量（>10）个不同的神经网络。（我还对使用Tensorflow 2回答这个问题感兴趣）。我在想我该如何组织我的项目

我使用

tf.keras.estimator.model_to_estimator

和Tensorboard将keras模型转换为估计器，以便可视化。我有时还使用

model.summary（）

。我的每个模型都有许多（>20）超参数，并将三种类型的输入数据中的一种作为输入。我有时使用超参数优化，因此我经常手动删除模型，并在尝试下一组超参数之前使用

tf.keras.backend.clear_session（）

目前，我使用的函数将超参数作为参数，并返回各自编译的keras模型以转换为估计器。我使用三种不同的“Main_Datatype.py”脚本来训练三种不同输入数据类型的模型。所有数据都是从.tfrecord文件加载的，每个数据类型都有一个输入函数，所有将该类型数据作为输入的估计器都使用该函数。我在主脚本中切换模型（即返回模型的函数）。我还有一些构建块，它们是多个模型的一部分，对于这些构建块，我使用helper函数返回它们，并使用Keras函数API将最终结果拼接在一起

不同模型之间的轻微不兼容开始让我感到困惑，我决定用类来组织这个项目。我计划为每个模型创建一个类，跟踪每个模型及其模型目录的超参数和正确命名。然而，我想知道在Tensorflow中是否有既定或推荐的方法来实现这一点

问题：我应该子类化

tf.keras.Model

而不是使用函数来构建模型或封装它们的python类吗？子类化keras.Model会破坏（或需要大量工作才能实现）我在keras估计器和tensorboard中使用的任何功能吗？我看到了人们在使用自定义模型类时遇到的许多问题，我有点不愿意投入到这项工作中，结果却发现它不适合我。你对如何更好地组织我的项目还有其他建议吗

---

事先非常感谢。

似乎是一个合理的做法：

只有在绝对需要时才使用子类。我个人更倾向于遵循以下实施顺序。如果您正在设计的模型的复杂性无法通过使用前两个选项来实现，那么子类化当然是唯一剩下的选项

tf.keras顺序API

tf.keras函数API

子类tf.keras.Model

---

谢谢你的回答！我的模型的复杂性可以通过使用函数API来实现。我想知道子类化模型是否会使我的项目更加结构化。教程（例如，在模型中：合成层）似乎建议有时这样做。例如，深度网络中的循环块会获得自己的类。对于我的案例，您的建议是继续使用返回模型或普通python类的函数来组织项目？这取决于：如果您的目标是通过TF.keras提供的所有TF向导的当前分类，以简洁、快速的方式生成工作解决方案，那么请按照我的建议进行操作。然而，如果出于某种原因，您真的想知道模型的内部工作原理和类似的手工操作，那么尽管这可能会很痛苦，但还是使用模型子类化。我建议您参考密集层的源代码，查看并将其与模型中的手动编码层进行比较。这是一条较长的路径，但随着时间的推移，这将为您提供更多的里程来调整/开发代码。