如何将基于Keras编写的自定义Layer转换为TensorFlow实现？

没问题，我来帮你把这个Keras自定义层转换成TensorFlow原生实现。先把你给出的Keras示例补全成完整可运行的版本，这样对比起来更清楚：

from keras import backend as K
from keras.engine.topology import Layer
import numpy as np

class MyLayer(Layer):
    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(MyLayer, self).__init__(**kwargs)

    def build(self, input_shape):
        # 创建该层的可训练权重变量
        self.kernel = self.add_weight(
            name='kernel',
            shape=(input_shape[1], self.output_dim),
            initializer='uniform',
            trainable=True
        )
        super(MyLayer, self).build(input_shape)  # 必须调用父类的build方法完成初始化

    def call(self, inputs):
        return K.dot(inputs, self.kernel)

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_dim)

现在TensorFlow已经完全整合了Keras生态，直接继承tf.keras.layers.Layer即可实现原生TF版本的自定义层，逻辑几乎无缝对接，细节上更贴合TF规范：

import tensorflow as tf
import numpy as np

class MyLayer(tf.keras.layers.Layer):
    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super().__init__(**kwargs)  # Python3简洁写法，无需显式传入类名和self

    def build(self, input_shape):
        # input_shape 为 tf.TensorShape 类型，可通过 .as_list() 获取维度列表
        self.kernel = self.add_weight(
            name='kernel',
            shape=(input_shape[1], self.output_dim),
            initializer=tf.keras.initializers.RandomUniform(),  # 使用TF原生初始化器，更灵活
            trainable=True
        )
        super().build(input_shape)

    def call(self, inputs):
        return tf.matmul(inputs, self.kernel)  # 用TF原生矩阵乘法替代Keras backend函数

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_dim)

• 导入与继承：无需单独导入Keras的backend和旧Layer类，直接继承tf.keras.layers.Layer，这是TensorFlow官方推荐的标准写法
• 初始化器：改用TensorFlow原生的初始化器类，相比Keras的字符串标识，支持更多自定义参数
• 张量操作：用TF原生函数（如tf.matmul）替代Keras backend函数，两者功能一致，但原生函数更便于和其他TF操作整合
• 语法简化：利用Python3的特性简化super调用，代码更简洁易读

内容的提问来源于stack exchange，提问作者Pas Aur