如何简化Keras函数式API实现的LSTM模型冗余代码？

嘿，你说得对，这段代码确实存在可以简化的冗余部分！咱们来拆解一下问题，然后给出更简洁的实现方式：

冗余点分析 #

你当前的代码先用Sequential加了一个什么都不做的Lambda层，只是为了获取输入和输出张量再转成Model——这完全是绕弯路。函数式API本身就支持直接从输入张量开始构建模型，那个Lambda层没有任何实际作用，纯粹是多余的。另外，变量传递的写法也可以更连贯。

简化后的代码 #

from tensorflow.keras.layers import Input, LSTM, Dense
from tensorflow.keras.models import Model

# 直接定义输入张量，替代原有的Sequential+Lambda组合
input_tensor = Input(shape=(timestep, n_feature))
# 链式调用层，逻辑更连贯
x = LSTM(8)(input_tensor)
output = Dense(2)(x)
# 创建模型
my_model = Model(inputs=input_tensor, outputs=output)
# 编译与训练（注意trainX不用放列表里，单输入直接传即可）
my_model.compile(loss='mean_squared_error', optimizer='adam')
my_model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2, validation_split=0.1)

关键改进说明 #

• 移除了冗余的Sequential和Lambda层：直接用Input()定义输入张量是函数式API的标准用法，省去了无意义的中间层。
• 采用链式调用写法：把上一层的输出直接作为下一层的输入，让模型结构的逻辑更清晰，不用反复给output变量赋值。
• 简化训练输入：因为模型只有一个输入，不需要把trainX放进列表，直接传递张量即可。
• （可选）变量名调整为符合PEP8的小写下划线风格，代码可读性更好，当然你也可以保留自己习惯的命名方式。

这样修改后的代码和原代码功能完全一致，但更简洁、更符合Keras函数式API的最佳实践~

内容的提问来源于stack exchange，提问作者Edamame