TensorFlow 2.0“构建”功能

Question

我正在阅读有关使用 TensorFlow 2.0 结合“GradientTape”API 创建神经网络的内容，并发现了以下代码：

model = tf.keras.Sequential((
tf.keras.layers.Reshape(target_shape=(28 * 28,), input_shape=(28, 28)),
tf.keras.layers.Dense(100, activation='relu'),
tf.keras.layers.Dense(100, activation='relu'),
tf.keras.layers.Dense(10)))

model.build()
optimizer = tf.keras.optimizers.Adam()

在这段代码中，“model.build()”的用途/功能是什么？是编译设计好的神经网络吗？

其余的代码是：

compute_loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

compute_accuracy = tf.keras.metrics.SparseCategoricalAccuracy()


def train_one_step(model, optimizer, x, y):
  with tf.GradientTape() as tape:
    logits = model(x)
    loss = compute_loss(y, logits)

  grads = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(grads, model.trainable_variables))

  compute_accuracy(y, logits)
  return loss


@tf.function
def train(model, optimizer):
  train_ds = mnist_dataset()
  step = 0
  loss = 0.0
  accuracy = 0.0
  for x, y in train_ds:
    step += 1
    loss = train_one_step(model, optimizer, x, y)
    if step % 10 == 0:
      tf.print('Step', step, ': loss', loss, '; accuracy', compute_accuracy.result())
  return step, loss, accuracy

step, loss, accuracy = train(model, optimizer)
print('Final step', step, ': loss', loss, '; accuracy', compute_accuracy.result())

Answer 1

他们将此称为“延迟构建模式”，您可以在其中实际创建模型而无需定义其输入形状。

例如

model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.build((None, 500))

相当于

model = Sequential()
model.add(Dense(32, input_shape=(500,)))
model.add(Dense(32)) 

在第二种情况下，您需要在定义模型的架构之前了解输入形状。model.build()允许您实际定义模型（即其架构）并稍后实际构建它（即初始化参数等）。

示例取自此处。