如何在FastAPI中以JSON格式表示神经网络的Layer列表？

你的核心问题是方案2中Union类型匹配错误，本质是Pydantic对Union的默认匹配逻辑导致的——它会按顺序尝试每个模型，只要JSON能被某个模型解析（包括用默认值填充缺失字段），就会使用该模型。DropoutLayer的dropout_prob有默认值，所以即使JSON里没有这个字段，也能被解析成DropoutLayer；而你的测试数据中LinearLayer的size=0、Conv2DLayer的num_channels=0都不满足校验规则，导致Pydantic跳过这些模型，转而匹配DropoutLayer，最终所有层都被错误识别。

正确解决方案：用Pydantic鉴别器实现多态 #

通过给所有层模型添加一个共同的type字段作为鉴别器，让Pydantic根据这个字段的值精准匹配对应的层模型，既保留方案2的参数校验能力，又避免匹配错误。

步骤1：定义带鉴别器的层模型

from pydantic import BaseModel, ConfigDict
from typing import Union
from typing_extensions import Self

# 基础层模型，指定鉴别器字段
class BaseLayer(BaseModel):
    model_config = ConfigDict(
        discriminator="type"  # 用type字段区分不同层类型
    )
    type: str

# 具体层模型继承BaseLayer，固定各自的type值
class LinearLayer(BaseLayer):
    type: str = "Linear"
    size: int

    @model_validator(mode='after')
    def check_params(self) -> Self:
        assert 1 <= self.size <= 255, "`size`必须在1到255之间（包含边界）"
        return self

class DropoutLayer(BaseLayer):
    type: str = "Dropout"
    dropout_prob: float = 0.5

    @model_validator(mode='after')
    def check_params(self) -> Self:
        assert 0.0 <= self.dropout_prob <= 1.0, "`dropout_prob`必须在0.0到1.0之间（包含边界）"
        return self

class Conv2DLayer(BaseLayer):
    type: str = "Conv2d"
    num_channels: int
    kernel: int = 3

    @model_validator(mode='after')
    def check_params(self) -> Self:
        assert 1 <= self.num_channels <= 255, "`num_channels`必须在1到255之间（包含边界）"
        assert 1 <= self.kernel <= 3, "`kernel`必须在1到3之间（包含边界）"
        return self

# 定义Layer类型为所有具体层的Union
Layer = Union[LinearLayer, DropoutLayer, Conv2DLayer]

class Model(BaseModel):
    name: str
    layers: list[Layer]

步骤2：API测试代码（无需大改）

from fastapi import FastAPI
from .schemas import Model

app = FastAPI()

@app.post("/models/")
async def create_model(model: Model) -> Model:
    return model

步骤3：正确的测试JSON请求

每个层必须包含type字段，让Pydantic精准匹配：

{
  "name": "test_model",
  "layers": [
    {
      "type": "Linear",
      "size": 64
    },
    {
      "type": "Dropout",
      "dropout_prob": 0.3
    },
    {
      "type": "Conv2d",
      "num_channels": 16,
      "kernel": 3
    }
  ]
}

方案对比与选择 #

• 方案1：结构简单，但params为dict类型，无法自动校验参数类型和范围，需要手动编写大量校验逻辑，类型不安全，API文档也无法清晰展示各层的参数要求，仅适合快速原型开发。
• 改进后的方案2：通过鉴别器实现多态，既保留了自动参数校验的能力，又能精准匹配各层模型，API文档会自动生成各层的参数说明，类型安全、维护性强，是生产环境的首选方案。

补充说明 #

Pydantic的Union默认匹配逻辑是按顺序尝试解析，如果某个模型能通过默认值填充或现有字段满足要求，就会使用该模型。使用鉴别器后，Pydantic会直接根据type字段的值找到对应的模型，跳过顺序匹配的逻辑，彻底解决匹配错误问题。

内容的提问来源于stack exchange，提问作者Richard Noh