Keras如何在模型中与变化的变量相乘

我目前正在尝试为Keras中的logit层创建一个遮罩。这个掩码不是静态的，当我调用model.predict时，它总是在变化。有什么方法可以实现这一点吗

self.mask_change = np.zeros(104)

def build_model(self):
    input = Input(shape=(14,))
    layer = Dense(32, activation='relu')(input)
    layer = Dense(32, activation='relu')(layer)
    logit = Dense(104)(layer)
    masked_logit = Lambda(lambda x: x*self.mask_change)(logit)
    output = Activation('softmax')(masked_logit)
    model = Model(input, output)
    model.compile(loss='categorical_crossentropy',optimizer=Adam(lr=self.learning_rate))

---

运行时，如果我在程序中的某个地方更改self.mask\u change，然后调用model.predict（），它将始终返回生成模型时self.mask\u更改的输出。

您可以将掩码作为额外输入传递到模型：

def build_model(self):
    input = Input(shape=(14,))
    mask = Input(shape=(104,))
    layer = Dense(32, activation='relu')(input)
    layer = Dense(32, activation='relu')(layer)
    logit = Dense(104)(layer)
    masked_logit = logit * mask
    output = Activation('softmax')(masked_logit)
    model = Model([input, mask], output)

---

调用predict时，每次都可以传递不同的掩码，

model.predict（[input，mask\u change]）

。掩码不再以这种方式固定在模型中。

当这种方式起作用时（我不得不使用Lambda进行logit*掩码操作），真的没有其他方法吗？例如，如果我的模型有20个这样的变量，将它们全部作为输入传递将是非常痛苦的…您可以再次作为单个输入传递，然后对其进行切片，因此如果您使用两个掩码

input（shape=（104*2，）

然后切片

m1=masks[：105]

。我的意思是如果它们是不同的变量（大小、类型等）。在tensorflow中，您似乎可以使用self访问图形之外的变量。无论名称是什么（可能只是首先需要占位符），这对于keras模型构建是不可能的吗？

Input

层包装占位符，这正是它所做的。是的，您是对的，我把它与其他东西混淆了。