我正在构建一个模型，希望能够将no_of_dense_layers作为参数传递，并期望函数在循环中创建全连接层。
在循环中创建全连接层并不是问题，我的困惑在于如何在Keras中向堆叠的全连接层传递值？
假设我想要3个全连接层：
def get_layers(no_of_dense_layers , dense_size): return [tf.keras.layers.Dense(dense_size[i], activation = 'elu', kernel_initializer=tf.keras.initializers.glorot_uniform(seed=200)) for i in range(no_of_dense_layers)]如果我想使用Sequential API，可以这样做：
perceptron = tf.keras.Sequential(get_layers(3,[1000,500,300]))但如果我想使用函数式API，如何实现相同的功能呢？
类似这样的操作：
input_layer = tf.keras.Input(shape=(1024), dtype='float32', name='embedding_input')## 此层应该传递输入到第一个全连接层 >> 第二个全连接层 >> 第三个全连接层 dense_layers = get_layers(3,[1000,500,300])# 上述层应等同于： # x = tf.keras.layers.Dense(1000)# x = tf.keras.layers.Dense(500)# x = tf.keras.layers.Dense(300)# 然后简单地将所有三个全连接层的输出传递到最后的分类层# 分类层 cls_layer = tf.keras.layers.Dense(1, activation= 'elu')(dense_layers)我尝试过的方法：
first_layer = dense_layers[0](input_layer)for k in dense_layers[1:]: print(k(first_layer))还有其他方法吗？
谢谢！
回答：
这里有一个可能的解决方案：
def get_layers(inp, no_of_dense_layers, dense_size): for i in range(no_of_dense_layers): x = Dense(dense_size[i])(inp) inp = x return xinp = Input((1024,))x = get_layers(inp, 3, [1000,500,300]) out = Dense(1)(x)m = Model(inp, out)m.summary()_________________________________________________________________Layer (type) Output Shape Param # =================================================================input_45 (InputLayer) [(None, 1024)] 0 _________________________________________________________________dense_88 (Dense) (None, 1000) 1025000 _________________________________________________________________dense_89 (Dense) (None, 500) 500500 _________________________________________________________________dense_90 (Dense) (None, 300) 150300 _________________________________________________________________dense_91 (Dense) (None, 1) 301 