背景
tensorflow2.0 相比于1.0 有很大变化，1.0版本的placeholder，Session都没有了，2.0版本强推使用keras。keras是一个比较高层的api，确实挺好用的，一些基本模型使用起来很方便，本文主要写了几种常用场景下的编程规范指南，都是自己总结出来的如果大家有更好的想法可以在评论中留言。
目的
编程规范的目的是，从构架速度、清晰、可扩展几个方面考虑。
编程规范
比较简单的顺序模型比较简单的模型直接使用Sequential比较好，也可以使用Model构建较复杂的模型一般指有多输入都输出，共享某些层等的情况。使用keras.Modelkeras.Model必须有输入层，输出层，当构建一个Model的对象时，这个对象可以看成一个层，如果想将这个层用于另一个Model，必须重新定义输入层。举个例子：
1 import tensorflow as tf
2
3 try:
4 import tensorflow.python.keras as keras
5 except:
6 import tensorflow.keras as keras
7 import numpy as np
8
9 X = np.linspace(0, 1.0, 100
)
10 y = X ** 2 + 1.0
11 X = np.reshape(X, (-1, 1
))
12
13 m_in = keras.layers.Input(shape=(1
,))
14 h1 = keras.layers.Dense(units=10, activation=
"relu")
15 out = keras.layers.Dense(units=1, activation=
"relu")
16
17 h =
h1(m_in)
18 h =
out(h)
19 model1 = keras.Model(inputs=m_in, outputs=
h)
20
21 m2_in = keras.layers.Input(shape=(h.shape[1
],))
22 h2 = keras.layers.Dense(units=12
)
23 h3 = keras.layers.Dense(units=1
)
24 h =
h2(m2_in)
25 h =
h3(h)
26
27 model2 = keras.Model(inputs=m2_in, outputs=
h)
28 # model2.summary()
29
30
31
32 m_in = keras.layers.Input(shape=(1
,))
33 h =
model1(m_in)
34 out =
model2(h)
35
36 model3 = keras.Model(inputs=m_in, outputs=
out)
37 model3.summary()
关于Tensorflow2.0中Tensor类的问题，使用tf.shape获得的Tensor对象是没有numpy属性的。
转载于:https://www.cnblogs.com/oldBook/p/10689087.html
相关资源：Tensorflow 实战Google深度学习框架 加 google的python编码规范.pdf 郑泽宇 著 有书签 高清扫描版
