tf.keras中Dense()双括号语法解释及预训练模型改造代码详解

双括号写法的逻辑与实现原理 #

你看到的tf.keras.layers.Dense(128, activation='relu')(pretrained_model.output)是Keras函数式API的标准写法，本质是两步操作合并简写：

• 第一组括号：实例化Dense层对象。此时只定义了层的超参数（128个神经元、relu激活函数），没有绑定输入数据，也没有生成实际的权重参数。
• 第二组括号：调用已经实例化的层对象。将预训练模型的输出张量作为输入传入该层，内部会自动完成两个操作：首先根据输入张量的维度推断当前层权重的shape并创建权重，然后执行前向传播计算，返回该层的输出张量赋值给x。

实现原理 #

Keras所有的层类都继承自tf.keras.layers.Layer基类，基类内置了__call__魔法方法，所以实例化后的层对象可以像普通函数一样被调用。调用过程的内部逻辑为：

1. 检查输入张量的shape，若层还未创建权重则自动调用build()方法生成对应维度的权重
2. 调用层的call()方法执行前向传播的计算逻辑
3. 返回计算得到的输出张量

这种写法支持灵活搭建非顺序的网络结构（比如残差连接、多输入多输出结构），是比Sequential序列模型更通用的建模方式。

这段代码的整体功能 #

这是迁移学习建模的标准流程，作用是在预训练模型的基础上追加自定义分类头，适配自己的分类任务：

1. inputs = pretrained_model.input：复用预训练模型的输入定义，无需手动声明输入的shape规则
2. 追加自定义特征转换层：将预训练模型输出的高阶特征传入128神经元的全连接层做非线性转换
3. 追加分类输出层：9个神经元对应9个分类类别，softmax激活输出每个类别的预测概率
4. model = tf.keras.Model(inputs=inputs, outputs=outputs)：将预训练模型和自定义的两层全连接层封装为一个独立的新模型
5. model.compile()：配置训练规则，使用Adam优化器、多分类交叉熵损失函数，训练时同步监控分类准确率指标

通常该场景下会先冻结预训练模型的所有权重，只训练新增的两个全连接层，避免破坏预训练模型已经学到的特征，待收敛后再解冻部分底层做微调进一步提升效果。

内容的提问来源于stack exchange，提问作者ANIRUDHAN K