自定义模型需继承tf.keras.Model，在__init__中定义层、call()中实现前向传播；训练用tf.GradientTape手动求梯度并更新参数；配合tf.data、混合精度、梯度裁剪提升效率；通过tf.summary、权重抽样和数据检查调试监控。
自定义模型：从继承Model类开始
tensorflow中构建自定义模型最规范的方式是继承tf.keras.Model。相比Sequential，它支持复杂拓扑（如多输入/输出、共享层、非线性连接）和灵活的前向逻辑。
关键点：
- 在__init__中定义可训练层（如self.dense1 = tf.keras.layers.Dense(128)），不执行计算
- 重写call()方法实现前向传播，可加入条件分支、自定义运算或调试打印
- 调用model.build(input_shape)后，权重才被创建，可通过model.trainable_variables查看
训练循环：脱离fit()，掌握底层控制
使用tf.GradientTape手动管理梯度，适合需要动态loss、梯度裁剪、多任务更新或混合精度训练的场景。
典型步骤：
立即学习“Python免费学习笔记（深入）”；
- 用with tf.GradientTape() as tape:包裹前向计算，自动记录计算图
- 调用tape.gradient(loss, model.trainable_variables)获取梯度
- 用优化器apply_gradients(zip(gradients, model.trainable_variables))更新参数
- 配合@tf.function装饰提升训练速度（注意避免在装饰函数内使用python原生print或len）
高效训练技巧：避免常见性能陷阱
训练慢、OOM、收敛差往往不是模型问题，而是数据与训练配置不当。
- 数据管道必须用tf.data：启用.cache()（内存充足时）、.prefetch(tf.data.AUTOTUNE)、.batch().map(…, num_parallel_calls=tf.data.AUTOTUNE)
- 混合精度训练：设置tf.keras.mixed_precision.set_global_policy(‘mixed_float16’)，再将模型输出层设为float32防止数值不稳定
- 梯度裁剪：在优化器中传入clipnorm=1.0或clipvalue=0.5，缓解rnn或深层网络的梯度爆炸
调试与监控：让训练过程“看得见”
训练不收敛？指标异常？别只看loss曲线。
- 用tf.summary记录中间变量：在@tf.function外创建tf.summary.create_file_writer，在tape内用tf.summary.scalar写入梯度均值、激活分布等
- 检查权重是否更新：每若干step打印model.trainable_variables[0][0,0].numpy()，确认数值变化
- 验证数据质量：用tf.data.Dataset.take(1).as_numpy_iterator().next()抽样检查输入shape、dtype、数值范围（如图像是否归一化到[0,1]）