TensorFlow-tf.keras.layers.Layer与tf.keras.layers..Model之间的差异

读通过实现定制层文件用tf.keras，它们指定了两个选项来继承，tf.keras.Layer和tf.keras.Model。

在创建自定义图层的背景下，我想问自己这两者之间有什么区别？从技术上来说有什么不同？

例如，如果我要实现变压器编码器，哪个更合适？（假设变压器在我的完整模型中只是一个“层”）

在文档中：

Model类与Layer具有相同的API，但有以下区别：-它公开了内置的训练，评估和预测循环（model.fit（），model.evaluate（），model.predict（））。-通过model.layers属性公开其内层的列表。-它公开了保存和序列化API。

实际上，“ Layer”类对应于我们在文献中称为“层”（例如在“卷积层”或“循环层”中）或“块”（例如在“ ResNet块”或“ Inception”中）的类块”）。

同时，“模型”类别对应于文献中称为“模型”（例如在“深度学习模型”中）或“网络”（例如在“深度神经网络”中）的类。

因此，如果您希望能够在这些块上调用.fit()，.evaluate()或.predict()，或者希望能够分别保存和加载这些块，或者应该使用Model类。Layer类更精简，因此您不会使用不必要的功能来夸大图层……但是我想这通常不会是一个大问题。