如何在Keras拓扑调优代码中无需展平输入定义输入层

你的输入是每个样本包含M个特征（对应输入结构的行数），单个样本的形状为(M,)。无需使用Flatten层，直接在第一个全连接（Dense）层中指定input_shape即可，同时适配你当前的超参数调优框架，具体修改如下：

修改后的完整代码 #

# 初始化Sequential模型
model = keras.Sequential()

# 第一个隐藏层同时定义输入形状，替代原有的Flatten层
# 将M替换为你实际的特征数量（输入结构的行数）
first_units = hp.Int("units_1", min_value=32, max_value=512, step=32)
model.add(keras.layers.Dense(
    units=first_units,
    activation="relu",
    input_shape=(M,)
))
# 为第一个隐藏层添加Dropout
model.add(keras.layers.Dropout(hp.Float("dropout_1", 0, 0.3, step=0.1)))

# 添加剩余的隐藏层（当超参数指定的层数大于1时）
# num_layers取值2-6，对应总隐藏层数量1-5，已添加1个，所以从2开始循环
num_layers = hp.Int("num_layers", 2, 6)
for i in range(2, num_layers):
    model.add(
        keras.layers.Dense(
            units=hp.Int("units_" + str(i), min_value=32, max_value=512, step=32),
            activation="relu")
    )
    
    model.add(keras.layers.Dropout(hp.Float("dropout_" + str(i), 0, 0.3, step=0.1)))

# 添加输出层
model.add(keras.layers.Dense(units=10, activation="softmax"))

关键说明 #

• Keras支持在第一个Dense层中通过input_shape=(M,)直接定义输入结构，会自动创建对应的输入层，无需额外添加Input或Flatten层。
• 拆分原循环逻辑：先手动添加带输入形状的第一个隐藏层，再循环添加剩余层，避免重复设置input_shape参数。
• 把代码中的M替换为你实际的特征行数（比如你示例中的CpG_num），即可适配你的输入数据。

内容的提问来源于stack exchange，提问作者Caterina