如何提取传入TensorFlow函数的所有参数？以Adam优化器为例

针对你遇到的问题，TensorFlow/Keras提供了官方方法来提取优化器（或其他Keras组件）的配置参数，无需手动过滤dir()的冗余输出：

核心方法：get_config() #

所有Keras优化器（包括Adam）都实现了get_config()方法，它会返回一个包含所有配置参数的字典，其中键就是你需要的参数名，值对应参数的设置值。

示例代码 #

import tensorflow as tf

# 初始化优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001,
                                    beta_1=0.9,beta_2=0.999, 
                                     epsilon=1e-07, amsgrad=False, 
                                      name="Adam")

# 获取配置字典
optimizer_config = optimizer.get_config()
# 提取参数名列表
param_names = list(optimizer_config.keys())

print(param_names)
# 输出：['name', 'learning_rate', 'beta_1', 'beta_2', 'epsilon', 'amsgrad']

访问具体参数值 #

拿到参数名后，你有两种便捷方式获取对应的值：

• 从配置字典中直接取值：optimizer_config['learning_rate']
• 直接通过优化器的属性访问：optimizer.learning_rate

扩展到其他Keras组件 #

这个方法同样适用于损失函数、模型层等其他Keras组件，比如查看损失函数的参数：

loss_fn = tf.keras.losses.CategoricalCrossentropy(from_logits=True)
print(loss_fn.get_config().keys())

为什么之前的方法无效？ #

• .keys()仅适用于字典类型，优化器对象不是字典，因此报错
• .__class__（你提到的.classes()应该是指这个）只能获取类的元信息，无法拿到实例的参数配置
• dir(optimizer)会返回对象的所有属性和方法，包括大量内部私有方法（如__init__、__call__），过滤成本高；而get_config()是官方封装的专用配置提取方法，更高效可靠。

内容的提问来源于stack exchange，提问作者deijany91