顺序 model tensorflow 中的自定义层

Question

我正在尝试为我的 model 创建一个自定义层，它可以用于 Keras 的经典密集层。 这是我的自定义层：

class MyDenseLayer(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(MyDenseLayer, self).__init__()
        self.num_outputs = num_outputs
    def build(self, input_shape):
        self.kernel = self.add_weight("kernel", 
                                      shape=[int(input_shape[-1]),
                                      self.num_outputs])
    def call(self, input):
        return tf.matmul(input, self.kernel)

它现在没有做任何“自定义”。

但是当我将它添加到我的 model

def build_model():
    model = keras.Sequential([
        MyDenseLayer(10)(normed_x_train),
        layers.Activation(tf.nn.relu),
        layers.Dense(1, activation=tf.nn.relu)
        ])
    return model

我明白了：

The added layer must be an instance of class Layer. Found: tf.Tensor(
[....])

因为可能我正在直接创建 class 自定义层的 object。 但是我在 tf 文档中没有找到如何添加其他属性以使其作为普通层工作，即像layers.Dense(100, activation=tf.nn.relu)这样的东西

有没有办法让它像那样工作？

Answer 1

正如他们在评论中所说，在定义 model 时不要引入输入。 那是：

def build_model():
    model = keras.Sequential([
        MyDenseLayer(10),
        keras.layers.Activation(tf.nn.relu),
        keras.layers.Dense(1, activation=tf.nn.relu)
        ])
    return model

然后你可以尝试：

model = build_model()
model(tf.random.uniform((100, 100)))

PS：问题已经存在好几天了，但是@Marco Cerliani 解决了这个问题（无论如何我都可以删除它）