如何在TensorFlow中动态创建指定数量的网络层？

add()是tf.keras.Sequential序列模型的专属方法，继承tf.keras.Model实现的自定义模型类默认不支持该方法，要实现根据参数动态生成层的需求，可以用以下两种方案：

方案1：使用LayerList容器存储层（推荐） #

tf.keras.layers.LayerList是TensorFlow提供的专门用来存储层的容器，容器内所有层的参数会被自动注册到模型中，可正常参与训练。
示例代码如下：

import tensorflow as tf

class generic_vns_function(tf.keras.Model):
    def __init__(self, num_layers, num_class=10): 
        super().__init__() 
        # 用LayerList存储动态生成的卷积层
        self.conv_layers = tf.keras.layers.LayerList()
        for i in range(num_layers):
            self.conv_layers.append(tf.keras.layers.Conv2D(64, 3, activation="relu"))
        # 按需添加其他层，比如池化、全连接层等
        self.max_pool = tf.keras.layers.MaxPool2D(2)
        self.flatten = tf.keras.layers.Flatten()
        self.fc = tf.keras.layers.Dense(num_class, activation="softmax")

    def call(self, inputs):
        x = inputs
        # 遍历LayerList依次执行卷积计算
        for conv in self.conv_layers:
            x = conv(x)
        x = self.max_pool(x)
        x = self.flatten(x)
        x = self.fc(x)
        return x

方案2：封装Sequential容器 #

如果不想手动遍历层，也可以直接在自定义类内创建一个Sequential容器，把动态生成的层都添加到这个容器中，调用时直接执行该容器即可：

import tensorflow as tf

class generic_vns_function(tf.keras.Model):
    def __init__(self, num_layers, num_class=10): 
        super().__init__() 
        # 创建Sequential容器统一管理层
        self.feature_extractor = tf.keras.Sequential()
        for i in range(num_layers):
            self.feature_extractor.add(tf.keras.layers.Conv2D(64, 3, activation="relu"))
        self.feature_extractor.add(tf.keras.layers.MaxPool2D(2))
        self.feature_extractor.add(tf.keras.layers.Flatten())
        self.feature_extractor.add(tf.keras.layers.Dense(num_class, activation="softmax"))

    def call(self, inputs):
        return self.feature_extractor(inputs)

注意事项 #

不要直接用普通Python列表存储生成的层，普通列表内的层参数不会被TensorFlow自动识别，会导致训练时模型无可用参数的问题。

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