如何访问tensorflow keras中自定义层的递归层

以tensorflow为例。我可以创建一个自定义层，其中包含递归的线性层

类MLPBlock（layers.Layer）：
定义初始化（自）：
超级（MLPBlock，self）。\uuuu init\uuuuu（）
self.linear_1=线性（32）
self.linear_2=线性（32）
self.linear_3=线性（1）
def呼叫（自我，输入）：
x=自线性_1（输入）
x=tf.nn.relu（x）
x=自线性_2（x）
x=tf.nn.relu（x）
返回自线性_3（x）

如何访问自定义层的所有组件层，我想访问所有组件层的权重和偏差

例：

MLPBlock（父层）：
线性_1
线性_2
线性_3

我已经研究了tensorflow keras api版本R1.14

---

但是找不到任何方法来做这件事。

我想你在跟踪。基于此，以下是访问权重的方法：

class MLPBlock(tf.keras.Model):

    def __init__(self):
        super(MLPBlock, self).__init__()
        self.linear_1 = tf.keras.layers.Dense(32)
        self.linear_2 = tf.keras.layers.Dense(32)
        self.linear_3 = tf.keras.layers.Dense(1)

    def call(self, inputs):
        x = self.linear_1(inputs)
        x = tf.nn.relu(x)
        x = self.linear_2(x)
        x = tf.nn.relu(x)
        return self.linear_3(x)

mlp_block = MLPBlock()
y = mlp_block(tf.ones(shape=(3, 64)))
for layer in mlp_block.layers:
    weights, biases = layer.get_weights()

---

请注意，我稍微修改了示例，以便您可以访问层的权重和偏差。也就是说，我所做的不是用

tf.keras.layers.Layer

对类进行子类化，而是用

tf.keras.Model

对类进行子类化，这样可以将层堆栈视为一个模型，然后可以访问该模型的层。然后，为了简单起见，我使用了

tf.keras.layers.Dense

层，而不是使用自定义

Linear

层，但是，使用自定义层应该不会有什么不同。

感谢您的回复。我想再澄清一次。。本教程中提到了这一点。。层是递归可组合的，所以我可以制作复杂的层，这是层的组合。如何访问这些成员层。如果我有复杂的模型，我应该把我的模型作为子模型的组成部分吗？对于权重和偏差，只使用抽象层。你的直觉是正确的。如果您有一个复杂的模型，那么这是由

tf.keras.model

实例组成的。您可以轻松访问每个成员层，包括它们的权重和偏差。很高兴听到这个消息！那就毫不犹豫地把问题标记为已解决。