如何基于嵌套列表动态创建TF Keras神经网络层？

完整解决方案代码 #

import tensorflow as tf
from tensorflow.keras import layers

# 用户配置的层列表
model_layers = [['Dense', '32', 'relu'], ['Dropout', '0.5', 'placeholder'], ['Dense', '16', 'relu'], ['Dense', '1', 'sigmoid']]

# 定义层类型到构建逻辑的映射
layer_builders = {
    'Dense': lambda units, activation: layers.Dense(int(units), activation=activation),
    'Dropout': lambda rate, _: layers.Dropout(float(rate))
}

# 初始化模型输入（替换为你的实际输入特征维度）
inputs = tf.keras.Input(shape=(10,))  # 示例输入维度为10
x = inputs

# 遍历配置列表，逐层构建并连接
for layer_info in model_layers:
    layer_type, param, activation = layer_info
    # 生成对应层实例
    current_layer = layer_builders[layer_type](param, activation)
    # 连接到上一层输出
    x = current_layer(x)

# 封装成完整模型
model = tf.keras.Model(inputs=inputs, outputs=x)
# 查看模型结构
model.summary()

关键步骤说明 #

1. 层构建映射
   用字典将层名称与对应的构建逻辑绑定：

   • Dense层需要将字符串参数转成整数（神经元数量），同时传入激活函数。
   • Dropout层只需要将字符串参数转成浮点数（丢弃率），直接忽略占位符参数，避免索引越界。
   • 后续新增层类型时，只需在字典中添加对应的lambda函数即可扩展。

2. 模型连接逻辑

   • 先定义Input层作为模型的起点，必须指定输入特征的维度。
   • 用变量x跟踪每一层的输出，遍历配置列表时，依次将当前层连接到x，并更新x为当前层的输出。
   • 最后用Model类封装输入和最终输出，完成模型构建。

原代码问题修正 #

1. 避免提前实例化层：原代码中layer_dict直接实例化了空参数的层，无法动态传入配置的参数，改用lambda函数延迟实例化。
2. 正确遍历配置：原代码遍历索引后取层类型的方式错误，直接遍历model_layers子列表即可获取完整层信息。
3. 参数类型转换：配置中的参数是字符串类型，必须转成对应数值类型（int/float）才能传入Keras层的构造函数。
4. 层连接逻辑：Keras函数式API需要将上一层的输出作为当前层的调用参数，完成层之间的连接。

内容的提问来源于stack exchange，提问作者KskiAl