如何在Keras模型中实现一些可训练参数，如Pytorch中的nn.parameters（）？

我只是想用Keras在我的模型中实现一些可训练的参数。在Pytorch中，我们可以使用torch.nn.Parameter（）来实现这一点，如下所示：

self.a = nn.Parameter(torch.ones(8))
self.b = nn.Parameter(torch.zeros(16,8))

我认为在pytorch中这样做可以在模型中添加一些可训练的参数。现在我想知道，如何在keras实现类似的操作 欢迎任何建议或建议

THX！：）

p、 我只是在Keras中写了一个自定义层，如下所示：

class Mylayer(Layer):

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

    def build(self):

        self.kernel = self.add_weight(name='pi',
                                      shape=(self.input_dim,self.output_dim),
                                      initializer='zeros',
                                      trainable=True)
        self.kernel_2 = self.add_weight(name='mean',
                                        shape=(self.input_dim,self.output_dim),
                                        initializer='ones',
                                        trainable=True)

        super(Mylayer,self).build()

    def call(self,x):
        return x,self.kernel,self.kernel_2

---

我想知道，如果我没有改变通过层的张量，我是否应该编写函数

def compute\u output\u shape（）

，以备需要？

您需要在自定义层中创建可训练权重：

class MyLayer(Layer):
    def __init__(self, my_args, **kwargs):
        #do whatever you need with my_args

        super(MyLayer, self).__init__(**kwargs) 

    #you create the weights in build:
    def build(self, input_shape):
        #use the input_shape to infer the necessary shapes for weights
        #use self.whatever_you_registered_in_init to help you, like units, etc. 

        self.kernel = self.add_weight(name='kernel', 
                                  shape=the_shape_you_calculated,
                                  initializer='uniform',
                                  trainable=True)

        #create as many weights as necessary for this layer

        #build the layer - equivalent to self.built=True
        super(MyLayer, self).build(input_shape)

    #create the layer operation here
    def call(self, inputs):
        #do whatever operations are needed
        #example:
        return inputs * self.kernel #make sure the shapes are compatible

    #tell keras about the output shape of your layer
    def compute_output_shape(self, input_shape):
        #calculate the output shape based on the input shape and your layer's rules
        return calculated_output_shape

现在在模型中使用图层

---

---

如果您在tensorflow上使用“急切执行”并创建自定义训练循环，则可以使用与PyTorch几乎相同的方法，并且可以使用

tf.Variable

在层外创建权重，将它们作为参数传递给渐变计算方法

谢谢大家!！我想也许我应该使用Keras中的自定义层来实现这一点。我仍然有两个问题：1）如果我希望自定义层在整个模型中不对张量进行任何操作，但创建一个新的可训练参数（例如张量/加权向量），我可以使用上述方法来实现吗？2）我认为使用tf.variable是清晰和紧凑的，但是，如果我的模型是Keras（使用TensorFlow后端），我可以使用这种方法直接构建一个可训练的模型吗。您可以对该层进行黑客攻击，使其返回输入，self.kernel（输入通过该层而不做任何更改，您也可以获得内核）。或者，您可以创建一个虚拟输入来传递到层，如

dummy\u input=input（tensor=tf.Variable（1））

，只需在

调用中丢弃此输入即可。如果您正在使用“渴望”模式，则可以使用
tf.Variable
，并创建自定义训练循环。好的，我刚刚在上面加了一个新代码，你能帮我回答这个问题吗？