首先，在keras下对API（如您所称的）的“统一”并不能阻止您像在TensorFlow 1.x中那样做。会话可能消失了，但是您仍然可以像定义任何python函数一样定义模型，并在没有keras的情况下积极地训练模型（即通过tf.GradientTape）
现在，如果要使用执行 ***
a）编写执行自定义操作并定义自定义渐变的函数。有关如何执行此操作的更多信息，请参见此处。
@tf.custom_gradient
def custom_op(x):
result = ... # do forward computation
def custom_grad(dy):
grad = ... # compute gradient
return grad
return result, custom_grad
请注意，在函数中，您应将x和dy视为张量而 numpy数组（即执行张量操作）
b）创建一个执行您的的定制keras图层custom_op。对于此示例，我假设您的图层没有任何可训练的参数或更改其输入的形状，但是如果有的话，它并没有多大区别。为此，您可以参考发布的指南，检查该指南。
class CustomLayer(tf.keras.layers.Layer):
def __init__(self):
super(CustomLayer, self).__init__()
def call(self, x):
return custom_op(x) # you don't need to explicitly define the custom gradient
# as long as you registered it with the prevIoUs method
现在，您可以在keras模型中使用此层，它将起作用。例如：
inp = tf.keras.layers.Input(input_shape)
conv = tf.keras.layers.Conv2D(...)(inp) # add params like the number of filters
cust = CustomLayer()(conv) # no parameters in custom layer
flat = tf.keras.layers.Flatten()(cust)
fc = tf.keras.layers.Dense(num_classes)(flat)
model = tf.keras.models.Model(inputs=[inp], outputs=[fc])
model.compile(loss=..., optimizer=...) # add loss function and optimizer
model.fit(...) # fit the model
602392714
清零编程群