我在子类Keras'Model'中创建和存储层的方式有什么影响吗?

又名凯拉斯 Model 亚类化魔法。

在和凯拉斯玩的时候,我注意到 ResNetBlock.layers 在我将层的新实例放入以前放入自定义模型的集合时填充。

class ResNetBlock(Model):
    PART_COUNT = 3

    def __init__(self, kernel_size, filters):
        super().__init__()
        self.convs = []
        self.batchNorms = []

        for part in range(ResNetBlock.PART_COUNT):
            if part == 1:
                conv = Conv2D(filters[part], kernel_size=kernel_size, padding="same")
            else:
                conv = Conv2D(filters[part], kernel_size=(1,1))
            self.convs.append(conv)
            self.batchNorms.append(BatchNormalization())

resnet = ResNetBlock(1, [1, 2, 3])
print(resnet.layers) # actually prints non-empty list
                     # filled with Conv2Ds and BNs from above

摘自官方教程: https://www.tensorflow.org/beta/tutorials/eager/custom_layers

对TensorFlow源的一些挖掘表明,通过 __setattr__ 在里面 Network 班

现在,代码并不琐碎,缺少文档,而且似乎不清楚创建新层/将它们添加到各自集合的顺序是否重要?如果我先填写 convs 收集,然后 batchNorms 收藏,还是同一款吗?

在大多数教程中,每个层实际上都被放入自己的属性中。

问题是:为什么这样做是含蓄的?这种魔力有点打破了人们的座右铭,即更喜欢显性而不是隐性。如果出于某种原因,我需要使用非派生自的自定义集合类型,该怎么办 list ? 我该如何确保这些神奇的操作得到正确执行?