python - 第一层的 Keras 权重没有改变

Question

我是 Keras 的新手，我正在编写一个实现高斯函数的自定义层 [exp(-(w*x-mean)^2/sigma^2) 其中 W，意味着，sigma 都是随机生成的。
下面是自定义层的代码:

class Gaussian(Layer):
    def __init__(self,**kwargs):
        super(Gaussian, self).__init__(**kwargs)

    def build(self, input_shape):
        # Create trainable weights for this layer.
        self.W_init = np.random.rand(1,input_shape[1])
        self.W = K.variable(self.W_init, name="W")

        # Create trainable means for this layer.
        self.mean_init = np.random.rand(1,input_shape[1])
        self.mean = K.variable(self.mean_init, name="mean")

        # Create trainable sigmas for this layer.
        self.sigma_init = np.random.rand(1,input_shape[1])
        self.sigma = K.variable(self.sigma_init, name="sigma")

        self.trainable_weights = [self.mean, self.sigma]
        super(Gaussian, self).build(input_shape)  # Be sure to call this somewhere!

    def call(self, x):
        result = tf.multiply(x, self.W)
        result = tf.subtract(x, self.mean)
        result = tf.multiply(tf.square(result),-1)
        result = tf.divide(result, tf.square(self.sigma))
        return result

    def compute_output_shape(self, input_shape):
        return input_shape

将它作为第一层放在Keras mnist tutorial中之后(只是想确保它运行时不会产生错误，不关心准确性)并训练模型，看起来损失在大约 4 个时期后停止减少，只有“均值”和“西格玛”的数字在训练后发生变化而“W”的数字保持不变。但是，如果我把它放在第二层，就不会发生这种情况。

我在没有自定义层的情况下再次运行 Keras mnist 教程，发现第一层的权重也没有改变。

更新第一层的权重(更具体地说是第一个参数)不是 Keras 的事情，还是我遗漏了什么？我可以强制更新吗？
谢谢!

Answer 1

你没有正确实现你的层，Keras 不知道你的权重，这意味着它们没有通过梯度下降进行训练。看看this示例:

from keras import backend as K
from keras.engine.topology import Layer
import numpy as np

class MyLayer(Layer):

    def __init__(self, output_dim, **kwargs):
        self.output_dim = output_dim
        super(MyLayer, self).__init__(**kwargs)

    def build(self, input_shape):
        # Create a trainable weight variable for this layer.
        self.kernel = self.add_weight(name='kernel', 
                                      shape=(input_shape[1], self.output_dim),
                                      initializer='uniform',
                                      trainable=True)
        super(MyLayer, self).build(input_shape)  # Be sure to call this at the end

    def call(self, x):
        return K.dot(x, self.kernel)

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_dim)

这里您必须使用add_weight 来获得可训练的权重，而不是像您目前所做的那样只使用K.variable。通过这种方式，您的权重将在 Keras 中注册，并且它们将得到适当的训练。您应该对层中的所有可训练参数执行此操作。