能否将tf.keras.layers与TensorFlow底层API结合使用？

完全支持将tf.keras.layers与TensorFlow原生的tf.Session()、tf.placeholder等底层API搭配使用——Keras层本质上就是TensorFlow计算图的一部分，能无缝融入原生计算图逻辑中。你的示例思路是对的，只是细节上需要调整，下面是修正后的完整实现：

核心结论 #

• tf.keras.layers和TensorFlow底层API（会话、占位符、原生损失/优化器等）完全兼容，可自由组合使用；
• Keras模型的输出可以直接作为原生计算图的节点，参与损失计算、优化器定义等流程。

完整可运行代码 #

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Dense, Flatten, MaxPooling2D
import numpy as np

# 1. 创建占位符
def create_placeholders(n_x, n_y):
    # n_x: 输入特征的维度（比如(64,64,3)代表64x64的RGB图像）
    # n_y: 输出类别数量
    X = tf.placeholder(tf.float32, shape=[None, *n_x], name="input_X")
    Y = tf.placeholder(tf.float32, shape=[None, n_y], name="input_Y")
    return X, Y

# 2. 用tf.keras.layers构建模型
def create_model(data_format='channels_last'):
    # 使用Keras函数式API构建模型，这样能更灵活地对接原生占位符
    inputs = tf.keras.Input(shape=(64, 64, 3))
    x = Conv2D(32, (3,3), activation='relu', data_format=data_format)(inputs)
    x = MaxPooling2D((2,2), data_format=data_format)(x)
    x = Conv2D(64, (3,3), activation='relu', data_format=data_format)(x)
    x = MaxPooling2D((2,2), data_format=data_format)(x)
    x = Flatten()(x)
    x = Dense(128, activation='relu')(x)
    outputs = Dense(10, activation='softmax')(x)  # 假设是10分类任务
    
    # 返回Keras模型对象，它可以直接接收TensorFlow张量作为输入
    model = tf.keras.Model(inputs=inputs, outputs=outputs)
    return model

# 3. 计算损失（可混用原生API或Keras损失函数）
def compute_cost(output, Y):
    # 方法1：使用TensorFlow原生交叉熵损失
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=output, labels=Y))
    # 方法2：使用Keras内置损失函数（效果一致）
    # cost = tf.reduce_mean(tf.keras.losses.categorical_crossentropy(Y, output))
    return cost

# ---------------------- 构建计算图并在会话中运行 ----------------------
# 初始化参数
n_x = (64, 64, 3)  # 输入图像尺寸
n_y = 10           # 输出类别数

# 组装计算图
X, Y = create_placeholders(n_x, n_y)
model = create_model('channels_last')
output = model(X)  # 将占位符X传入Keras模型，得到计算图的输出节点
cost = compute_cost(output, Y)

# 定义优化器
optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)

# 初始化所有变量（包括Keras模型中的可训练参数）
init = tf.global_variables_initializer()

# 启动会话运行
with tf.Session() as sess:
    sess.run(init)
    
    # 生成模拟训练数据
    batch_X = np.random.randn(32, 64, 64, 3)  # 32个样本
    batch_Y = np.eye(10)[np.random.randint(0, 10, 32)]  # 独热编码标签
    
    # 运行一次训练步骤
    _, train_loss = sess.run([optimizer, cost], feed_dict={X: batch_X, Y: batch_Y})
    print(f"第一次训练的损失值：{train_loss:.4f}")

关键注意事项 #

• Shape匹配：Keras模型的输入shape要和占位符的shape对应（占位符的None代表批量维度，Keras输入不需要写这个）；
• 变量初始化：在TensorFlow 1.x环境中（因为用到了tf.Session()），必须通过tf.global_variables_initializer()初始化所有变量，包括Keras模型中的卷积层、全连接层参数；
• API混用自由度：损失函数、优化器都可以自由选择原生TensorFlow或Keras实现，两者在计算图中是等价的。

内容的提问来源于stack exchange，提问作者christk