TensorFlow提供哪些管理模型输入参数的机制？

看起来你正在手动搭建TensorFlow的全连接神经网络，我把你的代码整理得更规范，顺便补充完整逻辑并拆解关键细节：

完整模型定义代码 #

import tensorflow as tf

def my_model(x, weights, biases):
    # 第一个隐藏层：线性变换 + 偏置 + ReLU激活
    layer_1 = tf.matmul(x, weights["h1"])
    layer_1 = tf.add(layer_1, biases["b1"])
    layer_1 = tf.nn.relu(layer_1, name="a1")
    
    # 第二个隐藏层：重复相同的非线性变换流程
    layer_2 = tf.matmul(layer_1, weights["h2"])
    layer_2 = tf.add(layer_2, biases["b2"])
    layer_2 = tf.nn.relu(layer_2, name="a2")
    
    # 输出层：根据任务选择激活函数（这里以分类任务的softmax为例）
    output = tf.matmul(layer_2, weights["out"])
    output = tf.add(output, biases["out"])
    output = tf.nn.softmax(output, name="model_output")
    
    return output

关键步骤拆解 #

• 模块化设计：用函数my_model封装整个网络，把特征输入x、权重weights和偏置biases作为参数传入，这种方式让模型结构更清晰，也方便后续复用或修改。
• 隐藏层核心逻辑：每个隐藏层都遵循线性变换（矩阵乘法）→ 加偏置 → 非线性激活的标准流程：
  • tf.matmul：实现输入特征与层权重的矩阵乘法，完成线性映射
  • tf.add：给线性结果加上偏置项，避免模型只能学习过原点的函数
  • tf.nn.relu：最常用的激活函数之一，能有效解决梯度消失问题，引入非线性让模型学习复杂模式
• 输出层适配任务：如果是分类任务用softmax输出概率分布；如果是回归任务，可以去掉激活函数直接输出连续值。

配套参数初始化示例 #

要让模型跑起来，你需要先初始化权重和偏置变量，这里给个对应上面模型的初始化示例：

# 假设输入特征维度是784（比如MNIST数据集），两个隐藏层分别设256、128个神经元，输出10类
weights = {
    "h1": tf.Variable(tf.random.normal([784, 256], stddev=0.1)),  # 用小标准差初始化防止梯度爆炸
    "h2": tf.Variable(tf.random.normal([256, 128], stddev=0.1)),
    "out": tf.Variable(tf.random.normal([128, 10], stddev=0.1))
}

biases = {
    "b1": tf.Variable(tf.zeros([256])),  # 偏置初始化为0是常用选择
    "b2": tf.Variable(tf.zeros([128])),
    "out": tf.Variable(tf.zeros([10]))
}

这样你就可以通过model_output = my_model(input_features, weights, biases)来得到模型的输出啦～

内容的提问来源于stack exchange，提问作者Gilfoyle