如何使用TensorFlow构建自定义结构的ANN神经网络？

实现代码及说明 #

首先修正你原代码的基础语法问题：

• in是Python保留关键字，不能作为变量名使用
• 数组定义多了多余的逗号
• 自定义损失函数没有返回损失值
• 缺少可训练权重的定义逻辑

完整可运行的实现如下：

import tensorflow as tf
import numpy as np

# 修正输入定义，增加batch维度适配TensorFlow输入规范
x_input = np.array([[1, 2, 3, 4]], dtype="float32")
y_true = np.array([[10, 11]], dtype="float32")

# 自定义实现匹配你需求的网络层
class CustomANNLayer(tf.keras.layers.Layer):
    def __init__(self):
        super().__init__()
    
    def build(self, input_shape):
        # 定义可训练权重w，长度为2，trainable=True表示反向传播时会被优化器更新
        self.w = self.add_weight(shape=(2,), initializer="random_normal", trainable=True)
    
    def call(self, inputs):
        # 完全对齐你注释中的计算逻辑
        y_pred_1 = (inputs[:, 0] + inputs[:, 1]) * self.w[0]
        y_pred_2 = (inputs[:, 2] + inputs[:, 3]) * self.w[1]
        y_pred = tf.stack([y_pred_1, y_pred_2], axis=1)
        # sigmoid激活
        y_pred1 = tf.sigmoid(y_pred)
        return y_pred1

# 构建当前网络模型
input_layer = tf.keras.Input(shape=(4,))
current_output = CustomANNLayer()(input_layer)
model = tf.keras.Model(inputs=input_layer, outputs=current_output)

# 自定义损失函数
def loss_fun(y_true, y_pred1):
    return tf.reduce_sum(tf.pow(y_pred1 - y_true, 2))

# 编译模型，指定优化器后会自动更新可训练权重
model.compile(loss=loss_fun, optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(x_input, y_true, epochs=10, batch_size=1)

# 如需接入下游ANN，直接把current_output作为下游层的输入即可，示例：
# downstream_out = DownstreamANNLayer()(current_output)
# full_model = tf.keras.Model(inputs=input_layer, outputs=downstream_out)

提示：当前你使用sigmoid激活后输出范围是[0,1]，但标签值为10、11，训练时损失会长期处于较高水平，建议根据实际需求调整激活函数或对标签做归一化处理。

内容的提问来源于stack exchange，提问作者ewr3243