Определения подклассов моделей TensorFlow с настраиваемыми скрытыми слоями

Я изучаю определения подклассов Models в TensorFlow.

Довольно простое определение будет примерно таким

class MyNetwork1(tf.keras.Model):
    def __init__(self, num_classes = 10):
        super().__init__()
        self.num_classes = num_classes
    
        self.input_layer = tf.keras.layers.Flatten()
        self.hidden_1 = tf.keras.layers.Dense(128, activation = 'relu')
        self.hidden_2 = tf.keras.layers.Dense(64, activation = 'relu')
        self.output_layer = tf.keras.layers.Dense(self.num_classes, activation = 'softmax')
    
    def call(self, input_tensor):
        x = self.input_layer(input_tensor)
        x = self.hidden_1(x)
        x = self.hidden_2(x)
        x = self.output_layer(x)
        
        return x

После построения модели,

Model1 = MyNetwork1()
Model1.build((None, 28, 28, 1))

Это будет выглядеть

Model: "my_network1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten (Flatten)            multiple                  0         
_________________________________________________________________
dense (Dense)                multiple                  100480    
_________________________________________________________________
dense_1 (Dense)              multiple                  8256      
_________________________________________________________________
dense_2 (Dense)              multiple                  650       
=================================================================
Total params: 109,386
Trainable params: 109,386
Non-trainable params: 0

Поскольку этот метод не может настроить количество нейронов и тип активации для каждого слоя, я попытался немного его отредактировать.

Я пробовал следующее определение

class MyNetwork2(tf.keras.Model):
    
    def __init__(self, num_classes = 2, hidden_dimensions = [100], 
                  hidden_activations = ['relu']):
        super().__init__()
        self.inputlayer = tf.keras.layers.Flatten()
        i = 0
        self.hidden_layers = []
        
        for d,a in zip(hidden_dimensions,hidden_activations):
            i += 1
            setattr(self, 'hidden_' + str(i) , 
                    tf.keras.layers.Dense(d, activation = a))
            self.hidden_layers.append('self.hidden_' + str(i) + '(x)')
            
        self.outputlayer = tf.keras.layers.Dense(num_classes, activation = 'softmax')
        self.num_layers = len(hidden_dimensions) + 2
        
    def call(self, inputtensor):
        
        x = self.inputlayer(inputtensor)
        
        for h in self.hidden_layers:
            # print(h)
            x = eval(h,{}, x)
            
        x = self.outputlayer(x)
        
        return x

В этом коде я попытался сделать то же самое, что и в предыдущем определении.

Model2 = MyNetwork2(num_classes = 10, hidden_dimensions = [128,64], 
                        hidden_activations = ['relu', 'relu'])

Model2.build((None, 28, 28, 1))

Однако я столкнулся со следующей ошибкой:

TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got 'self'

Как я могу исправить эту ошибку, чтобы достичь своей цели?