Keras模型的call()与train_step()方法的调用时机及区别是什么？

问题解答 #

1. train_step() 不会覆盖 call()

二者是tf.keras.Model中完全独立的两个方法，签名、职责、触发场景都不存在冲突，不会出现覆盖的情况。

2. fit() 对两个方法的调用逻辑

二者都会在fit流程中被触发，但调用层级不同：

• fit() 每次拿到一个batch的训练数据时，会直接调用你自定义的train_step()方法，执行单步训练逻辑
• call()不会被fit()直接调用，它是被你写在train_step()里的self(inputs, training=True)这行代码间接触发的，这行代码的本质就是调用模型的前向传播逻辑。

3. 二者核心区别

• 职责不同：call()仅负责定义模型的前向传播逻辑，即给定输入如何计算得到输出，不涉及损失计算、梯度更新、指标统计这类训练相关的操作；train_step()负责定义单步训练的完整流程，包括前向传播、损失计算、梯度求解、权重更新、指标更新全链路。
• 触发场景不同：call()的使用场景更广，除了训练时被train_step调用，验证、预测、手动执行model(input)推理时都会触发；train_step()仅在调用fit()执行训练时会被调用，验证阶段调用的是test_step()，预测阶段调用的是predict_step()。
• 自定义目的不同：自定义call()一般是为了实现特殊的前向计算逻辑，比如你代码中实现的RNN状态返回、传递逻辑；自定义train_step()一般是为了实现特殊的训练流程，比如GAN的交替训练、对抗训练、梯度裁剪等原生fit流程不支持的逻辑。

你提到的GAN示例没有自定义call()，是因为GAN的前向逻辑分别封装在生成器、判别器两个子模型中，train_step里直接调用两个子模型的前向即可，不需要额外定义GAN类本身的call方法。

4. 你的代码执行逻辑

你调用fit()训练时，单batch的执行流程如下：

1. fit()将拆分好的批次数据(inputs, labels)传入你自定义的train_step()
2. train_step()中执行self(inputs, training=True)，触发你写的call()方法计算得到预测值
3. 后续依次执行损失计算、梯度求解、权重更新、指标更新操作，返回当前批次的指标结果

内容的提问来源于stack exchange，提问作者kiriloff