? ? 前面看到的那些Tensor，Variable，Graph之類的東西，都是比較直接的對應到底層實現(xiàn)的，這些東西很可能是直接從c++代碼pybind過來的。

? ? 到了module這一層，基本上就是利用python在用戶一層的封裝了，為的都是怎么更方便的調(diào)用底層代碼。

? ? 例如只要繼承了tf.Module類，內(nèi)部聲明的Variable都會被記錄下來，可以通過trainable_variables查看，類似的功能我們以前也做過，不過由于不熟悉python特性，所以寫的比較丑陋。從原理上推測，雖然Module是可以遞歸的檢查出sub module內(nèi)的Variable的，但真正的實現(xiàn)應該還是累加式的而不是真的遞歸去找的。

? ? 文檔里有說，Module子類關于計算圖聲明的部分，并不一定要寫在__call__下，文檔自己為了看著舒服才這么寫的，從這兒也能看出Module最重要的功能還是管理內(nèi)部的Variable，管理則是為了在后面方便你做統(tǒng)一的IO。

? ? Module規(guī)定了一套統(tǒng)一的輸出格式，metadata里放的是模型結構，data里放的是Variable的值，這個結構是在應用層規(guī)定的，而不是底層必須的，也就是說你自己展開來寫py的話，完全可以把需要的東西存成其他格式（雖然沒必要）。

? ? 由于eager execution相當于腳本語言，所以module恢復的也是腳本語言，如果使用tf.function，也就是建立計算圖的話，那么你的環(huán)境里只需要有tf最核心的代碼就可以運行這個模型，所謂的平臺之間遷移，無非是因為他們最底下共用的東西是一樣的。

? ? 但是tf.function的多態(tài)是在python層面做的，如果只load上來計算圖的話，就沒有東西去兼容不同格式的輸入了。關于多態(tài)還有個小問題，文檔里樣例代碼使用的輸入都是數(shù)組而非Variable，這就導致你把[2, 2, 2]換成[2, 3, 3]都會觸發(fā)多態(tài)。

? ? Keras模塊下的代碼估計都是針對python層面的封裝，繼承自keras.layers.Layer的子類就不能再隨意給計算圖的函數(shù)起名了，這里必須使用call。

? ? build函數(shù)相當于把前面提過的if判斷幫你省略了，獨立出聲明Variable的過程也許還有其他好處，不過這里其實隱式的假設了只能有一個tensor變量作為輸入，大數(shù)據(jù)下的確是這樣沒錯，只是多少有點跟前面的文檔脫節(jié)。

????keras和module是不能混用的，沒法遞歸里面的Variable。

????可以先聲明計算圖，然后直接用輸入和輸出構造一個keras.Model，這里可以看出，keras內(nèi)部關于計算圖的部分是默認帶tf.function修飾的，并非eager execution。這種脫離輸入數(shù)據(jù)的聲明可以用keras.Input作為placeholder，不確定的維度填None，不過這里的維度要比x少一位，首位被默認填了None，因為通常第一維都是數(shù)據(jù)行數(shù)，這個肯定是無法提前確定的。

? ? keras也可以通過tf.saved_model讀寫，但這并不是因為tf.saved_model是個萬能IO模塊，而是因為tf.saved_model是針對tf.Module實現(xiàn)的，而keras又是基于tf.Module實現(xiàn)的，所以兩者可以混用罷了。