使用子类模型时，model.summary() 无法打印输出形状

Question

这是创建keras模型的两种方法，但是output shapes两种方法的汇总结果不同。显然，前者打印的信息更多，更容易检查网络的正确性。import tensorflow as tffrom tensorflow.keras import Input, layers, Modelclass subclass(Model):    def __init__(self):        super(subclass, self).__init__()        self.conv = layers.Conv2D(28, 3, strides=1)    def call(self, x):        return self.conv(x)def func_api():    x = Input(shape=(24, 24, 3))    y = layers.Conv2D(28, 3, strides=1)(x)    return Model(inputs=[x], outputs=[y])if __name__ == '__main__':    func = func_api()    func.summary()    sub = subclass()    sub.build(input_shape=(None, 24, 24, 3))    sub.summary()输出：_________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================input_1 (InputLayer)         (None, 24, 24, 3)         0         _________________________________________________________________conv2d (Conv2D)              (None, 22, 22, 28)        784       =================================================================Total params: 784Trainable params: 784Non-trainable params: 0__________________________________________________________________________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================conv2d_1 (Conv2D)            multiple                  784       =================================================================Total params: 784Trainable params: 784Non-trainable params: 0_________________________________________________________________那么，我应该如何使用子类方法来获取output shape摘要（）？

Answer 1

我已经用这个方法解决了这个问题，不知道有没有更简单的方法。

class subclass(Model):

    def __init__(self):

        ...

    def call(self, x):

        ...

    def model(self):

        x = Input(shape=(24, 24, 3))

        return Model(inputs=[x], outputs=self.call(x))

if __name__ == '__main__':

    sub = subclass()

    sub.model().summary()

Answer 2

我想关键点是_init_graph_network类中的方法Network，它是Model. _init_graph_network如果在调用方法时指定inputs和outputs参数，将被调用__init__。

所以会有两种可能的方法：

1. 手动调用_init_graph_network方法构建模型图。

2. 用输入层和输出重新初始化。

并且这两种方法都需要输入层和输出（从 需要self.call）。

现在调用summary将给出确切的输出形状。但是它会显示Input层，它不是子类模型的一部分。

from tensorflow import keras

from tensorflow.keras import layers as klayers

class MLP(keras.Model):

    def __init__(self, input_shape=(32), **kwargs):

        super(MLP, self).__init__(**kwargs)

        # Add input layer

        self.input_layer = klayers.Input(input_shape)

        self.dense_1 = klayers.Dense(64, activation='relu')

        self.dense_2 = klayers.Dense(10)

        # Get output layer with `call` method

        self.out = self.call(self.input_layer)

        # Reinitial

        super(MLP, self).__init__(

            inputs=self.input_layer,

            outputs=self.out,

            **kwargs)

    def build(self):

        # Initialize the graph

        self._is_graph_network = True

        self._init_graph_network(

            inputs=self.input_layer,

            outputs=self.out

        )

    def call(self, inputs):

        x = self.dense_1(inputs)

        return self.dense_2(x)

if __name__ == '__main__':

    mlp = MLP(16)

    mlp.summary()

输出将是：

Model: "mlp_1"

_________________________________________________________________

Layer (type)                 Output Shape              Param #   

=================================================================

input_1 (InputLayer)         [(None, 16)]              0         

_________________________________________________________________

dense (Dense)                (None, 64)                1088      

_________________________________________________________________

dense_1 (Dense)              (None, 10)                650       

=================================================================

Total params: 1,738

Trainable params: 1,738

Non-trainable params: 0

_________________________________________________________________

Answer 3

我解决问题的方式与Elazar提到的非常相似。覆盖类中的函数 summary() subclass。然后您可以在使用模型子类化时直接调用 summary() ：

class subclass(Model):

    def __init__(self):

        ...

    def call(self, x):

        ...

    def summary(self):

        x = Input(shape=(24, 24, 3))

        model = Model(inputs=[x], outputs=self.call(x))

        return model.summary()

if __name__ == '__main__':

    sub = subclass()

    sub.summary()