如何让Python自定义神经网络构造函数支持可变数量隐藏层？

嘿，你已经从零搭起了单隐藏层神经网络，现在要扩展到多隐藏层对吧？咱们来把构造函数改成支持任意数量隐藏层的版本，同时兼容你原来的单隐藏层用法。

首先看你现有代码的核心需求：要让hidden_units和act_func支持可变数量的输入——用列表定义每个隐藏层的神经元数和对应激活函数，同时兼容单个值的输入（保持单隐藏层的用法不变）。

步骤1：参数鲁棒性处理 #

在构造函数开头，先把输入的参数统一成列表格式，避免用户传单个值时出错：

def __init__(self, input_len, hidden_units, output_len, act_func=None, loss_func=None, init_weights=np.zeros, output_func=None, random_seed=None):
    if random_seed:
        np.random.seed(random_seed)
    
    self.loss_func = loss_func
    self.output_func = output_func
    
    # --- 新增：处理隐藏层参数 ---
    # 如果传入单个整数，转为单元素列表（兼容原有单隐藏层用法）
    if isinstance(hidden_units, int):
        hidden_units = [hidden_units]
    self.hidden_layer_count = len(hidden_units)
    self.L = self.hidden_layer_count + 2  # 输入层 + 隐藏层 + 输出层
    
    # --- 新增：处理激活函数参数 ---
    if act_func is not None:
        # 如果传入单个函数，所有隐藏层复用同一个
        if not isinstance(act_func, list):
            act_func = [act_func] * self.hidden_layer_count
        # 检查激活函数数量和隐藏层数量匹配
        if len(act_func) != self.hidden_layer_count:
            raise ValueError(f"激活函数列表长度（{len(act_func)}）必须和隐藏层数量（{self.hidden_layer_count}）一致")
    
    # 初始化层列表
    self.layers = []
    # 输入层：这里假设你的Layer类接受权重、偏置、激活函数，输入层用恒等激活
    input_layer = Layer(np.identity(input_len), np.zeros(input_len), id_f)
    self.layers.append(input_layer)

步骤2：循环创建所有隐藏层 #

这部分你原来的代码其实已经支持列表遍历，只要参数处理好了，直接复用就行：

# --- 创建隐藏层 ---
    for neurons, func in zip(hidden_units, act_func):
        prev_neurons = self.layers[-1].num_neurons
        # 初始化权重矩阵：当前层神经元数 × 前一层神经元数
        weight_mat = init_weights((neurons, prev_neurons))
        biases = init_weights((neurons,))
        current_layer = Layer(weight_mat, biases, func)
        self.layers.append(current_layer)

步骤3：补充输出层创建 #

你的代码片段里没看到输出层的创建，这里补上（确保网络结构完整）：

# --- 创建输出层 ---
    prev_neurons = self.layers[-1].num_neurons
    output_weights = init_weights((output_len, prev_neurons))
    output_biases = init_weights((output_len,))
    # 输出层使用指定的输出激活函数（比如softmax分类、恒等函数回归）
    output_layer = Layer(output_weights, output_biases, self.output_func)
    self.layers.append(output_layer)

关键注意事项 #

1. Layer类的num_neurons属性：确保你的Layer类里正确定义了这个属性，比如：

   class Layer:
       def __init__(self, weights, biases, activation):
           self.weights = weights
           self.biases = biases
           self.activation = activation
           self.num_neurons = weights.shape[0]  # 当前层神经元数量 = 权重矩阵行数
   

2. 初始化函数init_weights：建议不要用np.zeros（会导致梯度消失），换成随机初始化比如np.random.randn乘以小系数（比如0.01）：

   def init_weights(shape):
       return np.random.randn(*shape) * 0.01
   

使用示例 #

现在你的构造函数已经支持任意数量的隐藏层了：

# 单隐藏层（兼容原有写法）
nn_single = NeuralNetwork(
    input_len=784, 
    hidden_units=128, 
    output_len=10, 
    act_func=sigmoid, 
    output_func=softmax,
    init_weights=lambda s: np.random.randn(*s)*0.01
)

# 双隐藏层：每层用不同激活函数
nn_double = NeuralNetwork(
    input_len=784, 
    hidden_units=[256, 128], 
    output_len=10, 
    act_func=[relu, sigmoid], 
    output_func=softmax
)

# 三隐藏层：所有隐藏层用同一个激活函数
nn_triple = NeuralNetwork(
    input_len=784, 
    hidden_units=[512, 256, 64], 
    output_len=10, 
    act_func=relu, 
    output_func=softmax
)

内容的提问来源于stack exchange，提问作者Sam