TensorFlow中如何高效拼接未知数量的输入参数？

你当前的代码虽然能正常运行，但冗余度极高，后续新增参数或修改逻辑时维护成本会很高。这里提供两种更简洁、易维护的优化方案：

方案一：参数列表过滤拼接 #

把所有输入参数收集到列表中，过滤掉None值后再进行拼接，无需一堆elif判断：

def call(self, x0, x1=None, x2=None, x3=None, x4=None, x5=None, x6=None, x7=None, x8=None, x9=None):
    # 收集所有参数并过滤None
    inputs = [x for x in [x0, x1, x2, x3, x4, x5, x6, x7, x8, x9] if x is not None]
    # 单输入直接返回，多输入拼接
    X = inputs[0] if len(inputs) == 1 else tf.concat(inputs, axis=1)
    # 后续神经网络处理逻辑...

这种方式和原代码逻辑完全一致，但代码量大幅减少，以后新增参数（比如x10）时，只需把参数加入列表即可，不用新增判断分支。

方案二：可变参数接收（更灵活） #

如果不需要固定参数名，直接用*args接收任意数量的输入参数，进一步简化函数定义：

def call(self, *args):
    # 过滤掉参数中的None值
    inputs = [x for x in args if x is not None]
    if not inputs:
        raise ValueError("至少需要传入一个有效输入参数")
    # 单输入直接返回，多输入拼接
    X = inputs[0] if len(inputs) == 1 else tf.concat(inputs, axis=1)
    # 后续神经网络处理逻辑...

这种方式的优势是调用更灵活，你可以传1到N个参数（比如call(x0)、call(x0, x1, x2)），无需预先定义一堆可选参数。注意要加判断防止没有有效输入的情况。

两种方案的执行效率和原代码基本一致，但可读性和可维护性提升明显，可根据实际场景选择。

内容的提问来源于stack exchange，提问作者Jasper Rou