Tensorflow：神经网络模型中可变数量的级别

Question

我想知道是否有办法使用tensorflow（python）在模型中实现可变数量的隐藏层。我问这个是因为我不确切知道要实现多少级别，我必须读取一个文件或变量来获取该信息。
这就是我的想法：

w = tf.Variable(tf.random_normal([h, w]))
self.__encoder[index] = tf.matmul(label, w)

所以__encoder的每个级别都包含一个隐藏层，但我不知道它是否有效，也不知道如何实现训练。

Answer 1

在给出理由之前，我想说张量流是针对静态计算图形的。所以，这个答案是为了做到这一点：

1. 从文件中读取一定数量
2. 使用该数量的隐藏图层构建模型
3. 使用此模型并提供其他一些输出

我仍然不清楚为什么你在某处读取隐藏层的数量，其中隐藏（或潜在）意味着这些是不依赖于你的数据的超参数。

无论如何，根据变量构建不同数量的层就像：

def layer(x, input_size, output_size):
    w = tf.Variable(tf.truncated_normal(shape=[input_size, output_size]))
    b = tf.Variable(tf.zeros([output_size]))
    return tf.sigmoid(tf.matmul(x,w) + b)

num_layers = ... #read somewhere
size_layers = ... #output_dimesion for each layer
h = x
for i in range(num_layers):
    h = layer(h, input_size, size_layers[i])
    input_size = size_layer[i]

在循环之后，h具有最后一层的输出。