下面应该做：

def custom_activation(x):
    return (K.sigmoid(x) * 5) - 1

class CustSig(Layer):
    def __init__(self, my_activation, **kwargs):
        super(CustSig, self).__init__(**kwargs)
        self.supports_masking = True
        self.activation = my_activation

    def call(self, inputs):
        return self.activation(inputs)

    def get_config(self):
        config = {'activation': activations.serialize(self.activation)}
        base_config = super(Activation, self).get_config()
        return dict(list(base_config.items()) + list(config.items()))

    def compute_output_shape(self, input_shape):
        return input_shape

说明：

从源代码来看，自动命名的工作原理如下：

if not name:
  self._name = backend.unique_object_name(
      generic_utils.to_snake_case(self.__class__.__name__),
      zero_based=zero_based)
else:
  self._name = name

检查Keras图中是否存在与您正在定义的对象同名的现有对象-如果存在，则继续递增1，直到没有匹配的对象。问题是，您不能指定name=，因为这消除了根据上述条件的自动命名。
唯一的解决办法可能是使用所需的名称作为类名定义自己的自定义激活层，如上所述，其表现如下：

ipt = Input(shape=(1, 3, 256), name='spec')
x   = Flatten('channels_last')(ipt)
for _ in range(3):
    x   = Dense(512)(x)
    x   = CustSig(custom_activation)(x)
out = Dense(256, activation='sigmoid', name='out')(x)

model = Model(ipt, out)

print(model.layers[3].name)
print(model.layers[5].name)
print(model.layers[7].name)

cust_sig
cust_sig_1
cust_sig_2

如果你检查Layer类的源代码，你可以找到决定层名称的这些行。

if not name:
    prefix = self.__class__.__name__
    name = _to_snake_case(prefix) + '_' + str(K.get_uid(prefix))
self.name = name

K.get_uid(prefix)将从图中获得唯一的id，这就是为什么你会看到activation_1，activation_2。
如果你想在自定义的激活函数上有同样的效果，一个更好的方法是定义你自己的类，它继承自Layer。

class MyAct(Layer):
    def __init__(self):
        super().__init__()

    def call(self, inputs):
        return (K.sigmoid(inputs) * 5) - 1 

spec_input = Input(shape=(10,10))
x = Flatten()(spec_input)
for layer in range(3):
    x = Dense(512)(x)
    x = MyAct()(x)

model = Model(spec_input, x)
model.summary()

输出

# Layer (type)                 Output Shape              Param #   
# =================================================================
# input_1 (InputLayer)         (None, 10, 10)            0         
# _________________________________________________________________
# flatten_1 (Flatten)          (None, 100)               0         
# _________________________________________________________________
# dense_1 (Dense)              (None, 512)               51712     
# _________________________________________________________________
# my_act_1 (MyAct)             (None, 512)               0         
# _________________________________________________________________
# dense_2 (Dense)              (None, 512)               262656    
# _________________________________________________________________
# my_act_2 (MyAct)             (None, 512)               0         
# _________________________________________________________________
# dense_3 (Dense)              (None, 512)               262656    
# _________________________________________________________________
# my_act_3 (MyAct)             (None, 512)               0         
# =================================================================
# Total params: 577,024
# Trainable params: 577,024
# Non-trainable params: 0

如果你想多次使用specific_name和数字后缀，使用这个：

tf.get_default_graph().unique_name("specific_name")

或

tf.compat.v1.get_default_graph().unique_name("specific_name")

在您的案例中：

...
for layer in range(3):
  x = Dense(512)(x)
  x = Activation('custom_activation', name=tf.get_default_graph().unique_name("cust_sig"))(x)
...

Tensorflow库不提供自定义名称的自动增量。你必须创建一个全新的层类，这是不切实际的。
以下技巧是创建激活层并为其命名的最简单方法。请随意复制粘贴，它不需要更改：

def custom_activation_layer(activation, name=None):
    class_name = tf.keras.layers.Activation.__name__

    # Set the desired name here. We default to the function name.
    if name:
        tf.keras.layers.Activation.__name__ = name
    else:
        tf.keras.layers.Activation.__name__ = f'Activation_{activation.__name__}'
    
    # The layer name is set in the constructor.
    activation_layer = tf.keras.layers.Activation(activation)

    tf.keras.layers.Activation.__name__ = class_name
    return activation_layer

只需将您的激活层替换为以下函数：

# Replace the activation layer...
    layer = tf.keras.layers.Activation(my_custom_activation)

    # ... With the function.
    layer = custom_activation_layer(my_custom_activation)

在绘制模型的图形时，名称会自动递增，以避免图形错误。它显示如下：

model = create_model()
tf.keras.utils.plot_model(model, show_shapes=True)