tensorflow/keras 中的自定义层 - 这两个选项是否相等？

Question

根据https://www.tensorflow.org/guide/keras/custom_layers_and_models#layers_are_recursively_composable custom layers in tensorflow2 / Z063009BB15C8272CF2ZB0C7 可以这样定义

class CustomLayer(layers.Layer):
    def __init__(self, ntimes):
        super().__init__()
        self.convs = [layers.Conv2D(10, (3, 3),  padding='same') for i in range(ntimes)]

    def call(self, x, **kwargs):
        for conv in self.convs:
            x = conv(x)
        return x

但是，最近我遇到了另一种表示法：

def CustomLayer(ntimes):
    def layer(x):
        for i in range(ntimes):
            x = layers.Conv2D(10, (3, 3), padding='same')(x)
        return x

    return layer

显然它不是 Layer 类的实例，但结果操作似乎是相同的。 还是我错过了什么？ 这种方法有什么缺点吗？

---

Ps：这样的层将在以下示例性上下文中使用：

xin = layers.Input((10,10,3))
layer = CustomLayer(5)
xout = layer(xin)
model = models.Model(xin, xout)
model.summary()

Answer 1

在我看来，您正在做的是创建一个具有预定义功能的图层块，而不是创建一个新的自定义图层。 为了详细说明，您可以单独访问块中的每一层，因此它不是层。 创建块可以使用两者来完成，但如果您想在层内实现自己的功能或进行一些修改，例如在每个时期打印该层的结果或其他特定层的结果，那么您需要使用第一种方法.