在Keras/TensorFlow中，通常很容易将层直接描述为将输入映射到输出的函数，如下所示：
def resnet_block(x, kernel_size): ch = x.shape[-1] out = Conv2D(ch, kernel_size, strides = (1,1), padding='same', activation='relu')(x) out = Conv2D(ch, kernel_size, strides = (1,1), padding='same', activation='relu')(out) out = Add()([x,out]) return out而通过子类化Layer来实现类似于
r = ResNetBlock(kernel_size=(3,3))y = r(x)则会稍微麻烦一些（对于更复杂的例子甚至会麻烦很多）。
由于Keras似乎很乐意在层首次被调用时构建其底层的权重，我在想是否可以只包装如上所示的函数，让Keras在有输入时自行处理，即我希望它看起来像这样：
r = FunctionWrapperLayer(lambda x:resnet_block(x, kernel_size=(3,3)))y = r(x)我尝试实现了FunctionWrapperLayer，如下所示：
class FunctionWrapperLayer(Layer): def __init__(self, fn): super(FunctionWrapperLayer, self).__init__() self.fn = fn def build(self, input_shape): shape = input_shape[1:] inputs = Input(shape) outputs = self.fn(inputs) self.model = Model(inputs=inputs, outputs=outputs) self.model.compile() def call(self, x): return self.model(x)这看起来似乎可以工作，但是当我使用激活函数时，遇到了一些奇怪的问题，例如使用
def bad(x): out = tf.keras.activations.sigmoid(x) out = Conv2D(1, (1,1), strides=(1,1), padding='same')(out) return outx = tf.constant(tf.reshape(tf.range(48,dtype=tf.float32),[1,4,-1,1])w = FunctionWrapperLayer(bad)w(x)我得到了以下错误
FailedPreconditionError: Error while reading resource variable _AnonymousVar34 from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/_AnonymousVar34/class tensorflow::Var does not exist. [[node conv2d_6/BiasAdd/ReadVariableOp (defined at <ipython-input-33-fc380d9255c5>:12) ]] [Op:__inference_keras_scratch_graph_353]这让我觉得在构建方法中像这样初始化模型存在某种固有的问题。也许有人对可能发生的事情有更好的见解，或者有其他方法可以实现我想要的功能。
更新：正如jr15提到的，上述方法在涉及的函数仅使用Keras层时确实有效。然而，以下方法也同样有效，这让我有点困惑：
i = Input(x.shape[1:])o = bad(i)model = Model(inputs=i, outputs=o)model(x)顺便提一下，model.submodules返回
(<tensorflow.python.keras.engine.input_layer.InputLayer at 0x219d80c77c0>, <tensorflow.python.keras.engine.base_layer.TensorFlowOpLayer at 0x219d7afc820>, <tensorflow.python.keras.layers.convolutional.Conv2D at 0x219d7deafa0>)这意味着激活函数在以这种方式处理时会自动转换为“TensorFlowOpLayer”。
另一个更新：查看原始错误消息，似乎激活函数并不是唯一的问题。如果我移除卷积并使用包装器，一切都能正常工作，并且再次检查子模块时，我发现了“TensorFlowOpLayer”。
回答：
在TensorFlow 2.4中，现在似乎可以直接工作。子模块现在显示为“TFOpLambda”层。
对任何感兴趣的人，这里有一些稍加改进的包装器代码，也适用于多输入模型：
class FunctionWrapperLayer(Layer): def __init__(self, fn): super(FunctionWrapperLayer, self).__init__() self.fn = fn def build(self, input_shapes): super(FunctionWrapperLayer, self).build(input_shapes) if type(input_shapes) is list: inputs = [Input(shape[1:]) for shape in input_shapes] else: inputs = Input(input_shapes[1:]) outputs = self.fn(inputs) self.fn_model = Model(inputs=inputs, outputs=outputs) self.fn_model.compile() def call(self, x): return self.fn_model(x)