如下所示：

import tensorflow as tftfe = tf.contrib.eagertf.enable_eager_execution()

大多數情況下，在為機器學習模型編寫代碼時，您希望在比單個操作和單個變量操作更高的抽象級別上操作。

1.關于圖層的一些有用操作

許多機器學習模型可以表達為相對簡單的圖層的組合和堆疊，TensorFlow提供了一組許多常用圖層，以及您從頭開始或作為組合創建自己的應用程序特定圖層的簡單方法。TensorFlow在tf.keras包中包含完整的Keras API，而Keras層在構建自己的模型時非常有用。

#在tf.keras.layers包中，圖層是對象。要構造一個圖層，只需構造一個對象。大多數層將輸出維度/通道的數量作為第一個參數。layer=tf.keras.layers.Dense(100)#輸入維度的數量通常是不必要的，因為它可以在第一次使用圖層時推斷出來，但如果您想手動指定它，則可以提供它，這在某些復雜模型中很有用。layer=tf.keras.layers.Dense(10,input_shape=(None,5))#調用層layer(tf.zeros([10,5])) #圖層有許多有用的方法。例如，您可以通過調用layer.variables來檢查圖層中的所有變量。在這種情況下，完全連接的層將具有權重和偏差的變量。variable=layer.variables# variable[0]layer.kernel.numpy()layer.bias

2.自定義圖層

實現自己的層的最佳方法是擴展tf.keras.Layer類并實現：

__init__，您可以在其中執行所有與輸入無關的初始化

build方法，您知道輸入張量的形狀，并可以進行其余的初始化

call方法，在這里進行正向傳播計算

請注意，您不必等到調用build來創建變量，您也可以在__init__中創建它們。但是，在build中創建它們的優點是它可以根據圖層將要操作的輸入的形狀啟用后期變量創建。另一方面，在__init__中創建變量意味著需要明確指定創建變量所需的形狀。

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=[input_shape[-1].value,                       self.num_outputs])   def call(self, input):  return tf.matmul(input, self.kernel) layer = MyDenseLayer(10)print(layer(tf.zeros([10, 5])))print(layer.variables)

3.搭建網絡結構

機器學習模型中許多有趣的圖層是通過組合現有層來實現的。例如，resnet中的每個residual塊是卷積，批量標準化等的組合。

創建包含其他圖層的類似圖層的東西時使用的主類是tf.keras.Model。實現一個是通過繼承自tf.keras.Model完成的。

class ResnetIdentityBlock(tf.keras.Model): def __init__(self, kernel_size, filters):  super(ResnetIdentityBlock, self).__init__(name='')  filters1, filters2, filters3 = filters   self.conv2a = tf.keras.layers.Conv2D(filters1, (1, 1))  self.bn2a = tf.keras.layers.BatchNormalization()   self.conv2b = tf.keras.layers.Conv2D(filters2, kernel_size, padding='same')  self.bn2b = tf.keras.layers.BatchNormalization()   self.conv2c = tf.keras.layers.Conv2D(filters3, (1, 1))  self.bn2c = tf.keras.layers.BatchNormalization()  def call(self, input_tensor, training=False):  x = self.conv2a(input_tensor)  x = self.bn2a(x, training=training)  x = tf.nn.relu(x)   x = self.conv2b(x)  x = self.bn2b(x, training=training)  x = tf.nn.relu(x)   x = self.conv2c(x)  x = self.bn2c(x, training=training)   x += input_tensor  return tf.nn.relu(x)   block = ResnetIdentityBlock(1, [1, 2, 3])print(block(tf.zeros([1, 2, 3, 3])))print([x.name for x in block.variables])