跨文件场景下如何为baseline_model传入输入维度参数

以下是几种可行的解决思路，根据你的代码结构选择合适的方式：

1. 直接传递输入维度参数（最推荐） #

修改baseline_model函数的定义，让它接收input_dim作为参数，而非直接依赖X。在main所在文件中先计算好维度值，再传入模型函数。

示例代码：

# 模型定义文件中的 baseline_model 函数
def baseline_model(input_dim):
    model = Sequential()
    model.add(Dense(64, input_shape=(input_dim,), activation='relu'))
    # 后续模型层定义...
    return model

# main所在文件中调用
input_dim = X.shape[1]
model = baseline_model(input_dim)

2. 通过配置文件传递维度值 #

在main文件中计算输入维度后，将其写入JSON格式的配置文件，模型函数从该文件读取维度值。

示例代码：

# main所在文件
import json
input_dim = X.shape[1]
with open('config.json', 'w') as f:
    json.dump({'input_dim': input_dim}, f)

# 模型定义文件中的 baseline_model 函数
import json
def baseline_model():
    with open('config.json', 'r') as f:
        config = json.load(f)
    input_dim = config['input_dim']
    model = Sequential()
    model.add(Dense(64, input_shape=(input_dim,), activation='relu'))
    # 后续模型层定义...
    return model

3. 传递单个样本推导维度 #

如果不方便直接传维度数值，可以传递X的一个样本（比如第一行），模型函数通过样本的形状推导输入维度，避免传递整个数据集。

示例代码：

# 模型定义文件中的 baseline_model 函数
def baseline_model(sample_input):
    input_dim = sample_input.shape[0]
    model = Sequential()
    model.add(Dense(64, input_shape=(input_dim,), activation='relu'))
    # 后续模型层定义...
    return model

# main所在文件中调用
sample = X.iloc[0].values  # 假设X是DataFrame
model = baseline_model(sample)

内容的提问来源于stack exchange，提问作者Carola