如何在两次训练之间的中间层的每个时期更新参数？ （tensorflow渴望执行）

Question

我有一个顺序的keras模型，并且那里有一个类似于下面名为'CounterLayer'的示例的自定义图层。我正在使用tensorflow 2.0（渴望执行）

class CounterLayer(tf.keras.layers.Layer):
  def __init__(self, stateful=False,**kwargs):
    self.stateful = stateful
    super(CounterLayer, self).__init__(**kwargs)


  def build(self, input_shape):
    self.count = tf.keras.backend.variable(0, name="count")
    super(CounterLayer, self).build(input_shape)

  def call(self, input):
    updates = []
    updates.append((self.count, self.count+1))
    self.add_update(updates)
    tf.print('-------------')
    tf.print(self.count)
    return input

例如，当我运行epoch = 5之类的东西时，self.count的值不会随着每次运行而更新。它始终保持不变。我从https://stackoverflow.com/a/41710515/10645817获得了此示例。我需要几乎与此类似的东西，但我想知道这项工作是否在急于执行tensorflow或我需要做些什么才能获得预期的输出。

我一直在尝试实现这一点，但无法弄清楚。有人可以帮我吗。谢谢...

Answer 1

是，我的问题解决了。我遇到了一些内置方法来更新这种变量（这是为了在各个时期之间保持持久状态，如上述案例）。基本上我需要做的例如：

  def build(self, input_shape):
    self.count = tf.Variable(0, dtype=tf.float32, trainable=False)
    super(CounterLayer, self).build(input_shape)

  def call(self, input):
    ............
    self.count.assign_add(1)
    ............
    return input

一个可以用来计算call函数中的更新值，也可以通过调用self.count.assign(some_updated_value)来分配它。有关此类操作的详细信息，请参见https://www.tensorflow.org/api_docs/python/tf/Variable。谢谢。