如何在TensorFlow函数式API模型中访问特权'training'参数

有两种完全兼容函数式API编码风格的通用实现方式，不需要额外新增输入节点：

方案1：调用模型时直接传入training参数（最简便） #

Keras默认支持在调用模型时传入training关键字参数，该参数会自动向下传递到模型内部所有子层的call方法中，不需要手动为每一层单独设置：

import tensorflow as tf

# 正常使用函数式API搭建模型，无需对BatchNormalization层做特殊处理
inputs = tf.keras.Input(shape=(32,))
x = tf.keras.layers.Dense(16)(inputs)
normalized = tf.keras.layers.BatchNormalization()(x)
outputs = tf.keras.layers.Dense(1)(normalized)
model = tf.keras.Model(inputs=inputs, outputs=outputs)

# 训练阶段调用，自动将training=True传递给所有内部层
train_output = model(input_data, training=True)
# 推理阶段调用，自动将training=False传递给所有内部层
eval_output = model(input_data, training=False)

# Keras内置的训练评估方法会自动处理参数传递：
# fit执行时内部默认给所有层传training=True
model.fit(train_data, train_label, epochs=10)
# evaluate/predict执行时内部默认给所有层传training=False
model.evaluate(eval_data, eval_label)

该方案适配所有需要用到training参数的自定义层，仅需要在自定义层的call方法中声明接收training=None参数即可，无需额外配置。

方案2：封装自定义层显式控制参数传递（灵活度最高） #

如果你需要对模型内不同层的training参数做差异化控制（比如某几层固定使用推理模式，其他层跟随全局设置），可以把对应逻辑封装为自定义层，再放到函数式API的数据流中即可：

class ControlledLayer(tf.keras.layers.Layer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.bn = tf.keras.layers.BatchNormalization()
        self.dropout = tf.keras.layers.Dropout(0.3)
    
    def call(self, inputs, training=None):
        # 此处可以自定义任意的training参数控制逻辑
        x = self.bn(inputs, training=training)
        # 例如强制Dropout永远使用推理模式，直接写training=False即可
        x = self.dropout(x, training=training)
        return x

# 函数式API中直接使用自定义层
inputs = tf.keras.Input(shape=(32,))
x = tf.keras.layers.Dense(16)(inputs)
# 自定义层会自动接收全局传递的training参数
x = ControlledLayer()(x)
outputs = tf.keras.layers.Dense(1)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)

该方案完全兼容函数式API的编码风格，也可以满足任意自定义的training参数控制需求。

内容的提问来源于stack exchange，提问作者LJKS