如何初始化API模型中使用的keras张量

我试图实现一个记忆增强型神经网络，其中记忆和读/写/使用权重向量根据其先前值的组合进行更新。这些重量不同于使用fit（）函数自动更新的层间经典重量矩阵！我的问题是：如何正确地将这些权重初始化为keras张量，并在模型中使用它们？我用下面的简化示例更好地解释了它

我的API模型类似于：

input = Input(shape=(5,6))
controller = LSTM(20, activation='tanh',stateful=False, return_sequences=True)(input)
write_key = Dense(4,activation='tanh')(controller)
read_key = Dense(4,activation='tanh')(controller)
w_w = Add()([w_u, w_r])                            #<---- UPDATE OF WRITE WEIGHTS
to_write = Dot()([w_w, write_key])
M = Add()([M,to_write])
cos_sim = Dot()([M,read_key])
w_r = Lambda(lambda x: softmax(x,axis=1))(cos_sim) #<---- UPDATE OF READ WEIGHTS
w_u = Add()([w_u,w_r,w_w])                         #<---- UPDATE OF USAGE WEIGHTS
retrieved_memory = Dot()([w_r,M])
controller_output = concatenate([controller,retrieved_memory])
final_output = Dense(6,activation='sigmoid')(controller_output)`

但是，与（entron）中所述类似，这些命令不会返回包含所有所需元数据的keras张量，因此会返回以下错误：

AttributeError:“非类型”对象没有“入站节点”属性

我还想在每次迭代中使用旧的M、w_r和w_作为进一步的输入，并类似地在输出中获得相同的变量以完成循环。但这意味着我必须使用fit（）函数在线训练只有目标作为最终输出的模型（模型1），并使用predict（）函数对具有所有辅助输出的模型（模型2）进行预测，以获得在下一次迭代中使用的变量。我还必须使用get_weights（）和set_weights（）将weights矩阵从模型1传递到模型2。正如你所看到的，它变得有点凌乱，太慢了

你对这个问题有什么建议吗

---

请注意，不要过于关注上面的API模型，因为它是完整模型的简化版（几乎没有意义），我跳过了几个关键步骤。

试试

w\u w=add（[w\u，w\u r]）

谢谢你的建议，但它似乎不起作用。你想让它们成为训练期间更新的权重吗？必须创建自定义图层。或者它们只是常数。有趣。是的，这个想法是，在学习如何与记忆交互的每次迭代中，权重都会发生变化。但我不认为他们保持不变。。。不管怎样，你到底有什么建议？要将我用于更新的Add（）层替换为一个自定义层，该自定义层接收加法作为输入，并在未定义加法的情况下对其进行初始化？或者自定义层接受K.variable（）对象作为输入？

M = K.variable(numpy.zeros((10,4)))       # MEMORY
w_r = K.variable(numpy.zeros((1,10)))     # READ WEIGHTS
w_u = K.variable(numpy.zeros((1,10)))     # USAGE WEIGHTS`