tensorflow2.0编程规范

背景

tensorflow2.0 相比于1.0 有很大变化，1.0版本的placeholder，Session都没有了，2.0版本强推使用keras。keras是一个比较高层的api，确实挺好用的，一些基本模型使用起来很方便，本文主要写了几种常用场景下的编程规范指南，都是自己总结出来的如果大家有更好的想法可以在评论中留言。

目的

编程规范的目的是，从构架速度、清晰、可扩展几个方面考虑。

编程规范

• 比较简单的顺序模型
  比较简单的模型直接使用Sequential比较好，也可以使用Model构建
• 较复杂的模型
  一般指有多输入都输出，共享某些层等的情况。
  使用keras.Model
  keras.Model必须有输入层，输出层，当构建一个Model的对象时，这个对象可以看成一个层，如果想将这个层用于另一个Model，必须重新定义输入层。举个例子：

   import tensorflow as tf
  
   try:
  
       import tensorflow.python.keras as keras
  
   except:
  
       import tensorflow.keras as keras
  
   import numpy as np
  
   X = np.linspace(0, 1.0, 100)
  
   y = X ** 2 + 1.0
  
   X = np.reshape(X, (-1, 1))
  
   m_in = keras.layers.Input(shape=(1,))
  
   h1 = keras.layers.Dense(units=10, activation="relu")
  
   out = keras.layers.Dense(units=1, activation="relu")
  
   h = h1(m_in)
  
   h = out(h)
  
   model1 = keras.Model(inputs=m_in, outputs=h)
  
   m2_in = keras.layers.Input(shape=(h.shape[1],))
  
   h2 = keras.layers.Dense(units=12)
  
   h3 = keras.layers.Dense(units=1)
  
   h = h2(m2_in)
  
   h = h3(h)
  
   model2 = keras.Model(inputs=m2_in, outputs=h)
  
   # model2.summary()
  
   m_in = keras.layers.Input(shape=(1,))
  
   h = model1(m_in)
  
   out = model2(h)
  
   model3 = keras.Model(inputs=m_in, outputs=out)
  
   model3.summary()

　　关于Tensorflow2.0中Tensor类的问题，使用tf.shape获得的Tensor对象是没有numpy属性的。