我喜欢以下代码(https://www.tensorflow.org/tutorials/eager/custom_layers https://www.tensorflow.org/tutorials/eager/custom_layers)
class MyDenseLayer(tf.keras.layers.Layer):
def __init__(self, num_outputs):
super(MyDenseLayer, self).__init__()
self.num_outputs = num_outputs
def build(self, input_shape):
self.kernel = self.add_variable("kernel",
shape=[int(input_shape[-1]),
self.num_outputs])
def call(self, input):
return tf.matmul(input, self.kernel)
最后两行是call方法,但它不像通常的python类方法call有两个下划线。它们之间有什么区别吗?
以下答案基于https://tf.wiki/zh/basic/models.html https://tf.wiki/zh/basic/models.html.
基本上在Python中,当你从类中调用实例时ClassA
using ClassA()
,它相当于ClassA.__call__()
。所以使用似乎合理__call__()
代替call()
在这种情况下,对吧?
然而,我们使用的原因call()
就是那个时候tf.keras
称为模型或层,它有自己的内部操作,这对于保持其内部结构至关重要。结果,它暴露了一个方法call()
用于自定义重载。__call__()
calls call()
以及一些内部操作,所以当我们超载时call()
继承自tf.keras.Model
or tf.keras.Layer
,我们可以调用我们的自定义代码,同时保持tf.keras
的内部结构。
例如,根据我的经验,如果您的输入是 numpy 数组而不是张量,那么如果您在中编写自定义代码,则不需要手动转换它call()
但如果你覆盖__call__()
,这将是一个问题,因为某些内部操作未被调用。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)