TF 2.0 中的模型和一堆堆叠层有什么区别？

Question

所以，我可以通过继承 Keras 层和模型来创建我的模型，如下所示：

class CNN(tf.keras.models.Model):
    def __init__(self, **kwargs):
        super(CNN, self).__init__(**kwargs)
        self.l1 = tf.keras.layers.Conv2D(64, (4, 4), padding='same')
        self.l2 = tf.keras.layers.Dense(10, activation='softmax')

    def call(self, ip):
        x = self.l1(ip)
        op = self.l2(x)
        return op

这与

有何不同

mymodel = Model(input = inputs, output= outputs)

我的意思是，我知道一些差异，例如上面的模型具有属性 mymodel.input 但是当我为通过子类化定义的模型请求此属性时，它会引发此错误：

AttributeError: Layer cnn is not connected, no input to return.

这只是一个区别，那么，是什么让它们不同，以及如何充实第一个模型以使其具有以经典方式定义的模型的所有属性？更准确地说，如标题所示：一堆堆叠的层和一个模型有什么区别？

Answer 1

从软件的角度来看，Model 是一个独特的 python 类，就像各个层一样（https://www.tensorflow.org/api_docs/python/tf/keras/models/Model 来自 TF 1.13 文档）。与任何 python 类一样，都有独特的方法，Model 也是如此。

Model 类如何在逻辑上 集成各个层在 https://github.com/tensorflow/tensorflow/blob/r1.13/tensorflow/python/keras/engine/training.py 中的 Model 类的源代码中（对于 TF 1.13，TF 2.0 的源代码很可能相似, 以便在文件中使用 Ctrl+F 更轻松地找到搜索 class Model )