python - 默认情况下，Keras 自定义层参数是不可训练的吗？

Question

我在 Keras 中构建了一个简单的自定义层，惊讶地发现参数默认情况下并未设置为可训练。我可以通过显式设置可训练属性来让它工作。我无法通过查看文档或代码来解释为什么会这样。这是应该的样子还是我做错了什么导致默认情况下参数不可训练？ 代码:

import tensorflow as tf


class MyDense(tf.keras.layers.Layer):
    def __init__(self, **kwargs):
        super(MyDense, self).__init__(kwargs)
        self.dense = tf.keras.layers.Dense(2, tf.keras.activations.relu)

    def call(self, inputs, training=None):
        return self.dense(inputs)


inputs = tf.keras.Input(shape=10)
outputs = MyDense()(inputs)
model = tf.keras.Model(inputs=inputs, outputs=outputs, name='test')
model.compile(loss=tf.keras.losses.MeanSquaredError())
model.summary()

输出:

Model: "test"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 10)]              0         
_________________________________________________________________
my_dense (MyDense)           (None, 2)                 22        
=================================================================
Total params: 22
Trainable params: 0
Non-trainable params: 22
_________________________________________________________________

如果我像这样更改自定义图层创建:

outputs = MyDense(trainable=True)(inputs)

输出是我所期望的(所有参数都是可训练的):

=================================================================
Total params: 22
Trainable params: 22
Non-trainable params: 0
_________________________________________________________________

然后它按预期工作并使所有参数都可训练。我不明白为什么需要这样做。

Answer 1

毫无疑问，这是一个有趣的怪癖。

当制作自定义层时，tf.Variable 将自动包含在 trainable_variable 列表中。您没有使用 tf.Variable，而是使用 tf.keras.layers.Dense 对象，它不会被视为 tf.Variable，并且默认不设置 trainable=True。但是，您使用的 Dense 对象将被设置为可训练的。见:

MyDense().dense.trainable

True

如果您使用了 tf.Variable(它应该如此)，默认情况下它将是可训练的。

import tensorflow as tf


class MyDense(tf.keras.layers.Layer):
    def __init__(self, units=2, input_dim=10):
        super(MyDense, self).__init__()
        w_init = tf.random_normal_initializer()
        self.w = tf.Variable(
            initial_value=w_init(shape=(input_dim, units), dtype="float32"),
            trainable=True,
        )
        b_init = tf.zeros_initializer()
        self.b = tf.Variable(
            initial_value=b_init(shape=(units,), dtype="float32"), trainable=True
        )

    def call(self, inputs, **kwargs):
        return tf.matmul(inputs, self.w) + self.b


inputs = tf.keras.Input(shape=10)
outputs = MyDense()(inputs)
model = tf.keras.Model(inputs=inputs, outputs=outputs, name='test')
model.compile(loss=tf.keras.losses.MeanSquaredError())
model.summary()

Model: "test"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_11 (InputLayer)        [(None, 10)]              0         
_________________________________________________________________
my_dense_18 (MyDense)        (None, 2)                 22        
=================================================================
Total params: 22
Trainable params: 22
Non-trainable params: 0
_________________________________________________________________