原文：
Structuring Your TensorFlow Models
1 定义一个计算图（传统方法）
一般的，一个模型需要链接输入数据，标签，并提供trainning,evaluation和inference操作。普通的构造方法如下：
class Model:
def __init__(self, data, target):
data_size = int(data.get_shape()[1])
target_size = int(target.get_shape()[1])
weight = tf.Variable(tf.truncated_normal([data_size, target_size]))
bias = tf.Variable(tf.constant(0.1, shape=[target_size]))
incoming = tf.matmul(data, weight) + bias
self._prediction = tf.nn.softmax(incoming)
cross_entropy = -tf.reduce_sum(target, tf.log(self._prediction))
self._optimize = tf.train.RMSPropOptimizer(0.03).minimize(cross_entropy)
mistakes = tf.not_equal(
tf.argmax(target, 1), tf.argmax(self._prediction, 1))
self._error = tf.reduce_mean(tf.cast(mistakes, tf.float32))
@property
def prediction(self):
return self._prediction
@property
def optimize(self):
return self._optimize
@property
def error(self):
return self._error里面定义了数据，模型参数，还有prediction，optimize，error等操作，但是看起来还是很乱，如何优化呢？
2 使用Properties（python的属性）
可以参考这个了解@property基础概念：
7 python 动态绑定，@property的使用_slots限制class的属性以及多重继承
上面那个还是有点乱，接下来来利用@property属性把函数方法分别写到各个函数中去，改进的代码模型如下：
class Model:
def __init__(self, data, target):
self.data = data
self.target = target
self._prediction = None
self._optimize = None
self._error = None
@property
def prediction(self):
if not self._prediction:
data_size = int(self.data.get_shape()[1])
target_size = int(self.target.get_shape()[1])
weight = tf.Variable(tf.truncated_normal([data_size, target_size]))
bias = tf.Variable(tf.constant(0.1, shape=[target_size]))
incoming = tf.matmul(self.data, weight) + bias
self._prediction = tf.nn.softmax(incoming)
return self._prediction
@property
def optimize(self):
if not self._optimize:
cross_entropy = -tf.reduce_sum(self.target, tf.log(self.prediction))
optimizer = tf.train.RMSPropOptimizer(0.03)
self._optimize = optimizer.minimize(cross_entropy)
return self._optimize
@property
def error(self):
if not self._error:
mistakes = tf.not_equal(
tf.argmax(self.target, 1), tf.argmax(self.prediction, 1))
self._error = tf.reduce_mean(tf.cast(mistakes, tf.float32))
return self._error这样，可以分别把prediction，optimize，和error操作定义到各自的函数里面去，这样每次调用这几个属性就相当于调用了其函数。
3 python装饰器来优化
上面prediction，property还有error函数还是有重复的步骤对不对，都是判断一下是否有这个属性然后决定是否创建这个属性，如果已有了就不要重新创建了，如何优化呢？可以利用python装饰器，基础概念可以看这个：
13 python装饰器，函数对象以及一些高阶函数如map/reduce,匿名函数，返回函数，偏函数等等
这样，修改的代码如下：
首先定义一个函数装饰器，可以对函数进行预处理，并return一个函数，这里希望其对prediction，property和error几个函数做预处理：
import functools
def lazy_property(function):
attribute = '_cache_' + function.__name__
@property
@functools.wraps(function)
def decorator(self):
if not hasattr(self, attribute):
setattr(self, attribute, function(self))
return getattr(self, attribute)
return decorator接下来，利用装饰器可以简化上面第二步的函数，简化如下：
class Model:
def __init__(self, data, target):
self.data = data
self.target = target
self.prediction
self.optimize
self.error
@lazy_property
def prediction(self):
data_size = int(self.data.get_shape()[1])
target_size = int(self.target.get_shape()[1])
weight = tf.Variable(tf.truncated_normal([data_size, target_size]))
bias = tf.Variable(tf.constant(0.1, shape=[target_size]))
incoming = tf.matmul(self.data, weight) + bias
return tf.nn.softmax(incoming)
@lazy_property
def optimize(self):
cross_entropy = -tf.reduce_sum(self.target, tf.log(self.prediction))
optimizer = tf.train.RMSPropOptimizer(0.03)
return optimizer.minimize(cross_entropy)
@lazy_property
def error(self):
mistakes = tf.not_equal(
tf.argmax(self.target, 1), tf.argmax(self.prediction, 1))
return tf.reduce_mean(tf.cast(mistakes, tf.float32))4 最后给各个函数操作增加属性范围（tensorflow里面Graph的Scopes）
这样修改：
import functools
def define_scope(function):
attribute = '_cache_' + function.__name__
@property
@functools.wraps(function)
def decorator(self):
if not hasattr(self, attribute):
with tf.variable_scope(function.__name__, *args, **kwargs):
setattr(self, attribute, function(self))
return getattr(self, attribute)
return decorator这样每个操作函数都有自己的scopes了，非常方便简洁。