最近在用tensorflow2.0搭建一个简单的神经网络，虽然结构简单但是由于对自定义有要求，官方提供的layer和model不能满足要求，因此需要自行对layer、model、loss function进行自定义。由于tensorflow2.0发布不久，国内相关文章较少，我便决定写上这一系列文章。本文讨论tensorflow2.0中如何自定义layer。
（一）tensorflow2.0 - 自定义layer
（二）tensorflow2.0 - 自定义Model
（三）tensorflow2.0 - 自定义loss function（损失函数）
（四）tensorflow2.0 - 实战稀疏自动编码器SAE
本文不讨论tensorflow1和2在版本上自定义layer的区别，只讲述2.0版本下如何自定义layer。
本文架构上不做长篇大论，直接根据代码来解释如何自定义模型。
首先引入相应的库函数
import tensorflow as tf
from tensorflow.keras import *
然后自定义Layer类，这里命名为SAELayer，继承自tensorflow.keras.layers.Layer，由于上面引入的库函数为from tensorflow.keras import *，所以写起来就比较清爽，可以直接简写为layers.Layer，之后的都如此，写法上tensorflow.keras都省略了，就不做多解释。
需要注意，Layer类中涉及到了三个重要的方法，分别是__init__()，build()，call()，关于他们的关系与作用请看我的另一篇文章（tensorflow2.0中Layer的__init__()，build(), call()函数）。这里只简单说明，__init__()函数在创建Layer对象时调用，build在第一次调用call前调用（只调用一次），往后使用Layer的方法都是使用call()的方法。
需要注意build()方法的参数，该方法是被自动调用的，所以其参数是固定的（当然改形参名称没关系），但是不能添加或者删除参数。而call()方法的官方定义为Layer.call(inputs, **kwargs)，因此它至少需要一个input作为参数（输入该层的数据），其他参数可以按需自定义
下例为进行一个简单的sigmoid(w*x + b)的功能的自定义层，当然这是一次对一批数据进行操作，所以需要用矩阵（张量）的方式来思考。
class SAELayer(layers.Layer):
# 初始化num_outputs，即当前层输出元素的个数
def __init__(self, num_outputs):
super(SAELayer, self).__init__()
self.num_outputs = num_outputs
# 在第一次调用该Layer的call方法前（自动）调用该函数，可以知道输入数据的shape
# 根据输入数据的shape可以初始化权值、bias的矩阵
def build(self, input_shape):
self.kernel = self.add_variable("kernel",
shape=[int(input_shape[-1]),
self.num_outputs])
self.bias = self.add_variable("bias",
shape=[self.num_outputs])
def call(self, input):
output = tf.matmul(input, self.kernel) + self.bias
# sigmoid激活函数
output = tf.nn.sigmoid(output)
return output
到此Layer就定义好了，大家可以根据需要对其各部分进行修改，比如在build()中增删参数、在call()中更改计算方式、激活函数等等。
Layer定义好了，如何使用呢？
大可以按照正常使用其他Layer的方式来调用，如果想看具体实例，可以看下一篇文章，里面将Layer放入了一个简单的自定义Model中进行使用。
（二）tensorflow2.0 - 自定义Model
参考文献：