tf.compat.v1.layers.experimental.keras_style_scope

Использование управления переменными в стиле Keras.

@tf_contextlib.contextmanager
tf.compat.v1.layers.experimental.keras_style_scope()

Все tf.layers и ячейки tf RNN, созданные в этом области видимости, используют управление переменными в стиле Keras. Создание таких слоев с аргументом scope= запрещено, а reuse=True запрещено.

Цель этой области видимости — позволить пользователям существующих слоев постепенно перейти к API слоев Keras, не нарушая существующей функциональности.

Один из примеров — использование классов RNN TensorFlow с Keras моделями или сетями. Поскольку модели Keras не устанавливают области видимости переменных должным образом, пользователи RNN могут случайно разделять области видимости между двумя разными моделями или получать ошибки о переменных, которые уже существуют.

Пример:

class RNNModel(tf.keras.Model):

  def __init__(self, name):
    super(RNNModel, self).__init__(name=name)
    self.rnn = tf.compat.v1.nn.rnn_cell.MultiRNNCell(
      [tf.compat.v1.nn.rnn_cell.LSTMCell(64) for _ in range(2)])

  def call(self, input, state):
    return self.rnn(input, state)

model_1 = RNNModel("model_1")
model_2 = RNNModel("model_2")

# OK
output_1, next_state_1 = model_1(input, state)
# Raises an error about trying to create an already existing variable.
output_2, next_state_2 = model_2(input, state)

Решение заключается в обертывании построения и выполнения модели в области видимости в стиле Keras:

with keras_style_scope():
  model_1 = RNNModel("model_1")
  model_2 = RNNModel("model_2")

  # model_1 and model_2 are guaranteed to create their own variables.
  output_1, next_state_1 = model_1(input, state)
  output_2, next_state_2 = model_2(input, state)

  assert len(model_1.weights) > 0
  assert len(model_2.weights) > 0
  assert(model_1.weights != model_2.weights)