Keras层中的链接权重

假设我把我的输入分成两个大小相等的部分I1，I2，我想在我的keras网络上有如下结构——I1->A1，I2->A2，然后[A1，A2]->B，其中B是一个输出节点。我可以使用中的组来完成此操作。但是，我想要求I1->A1的连接权重（和其他激活参数）与I2->A2的连接权重（和其他激活参数）相同，即我希望1和2之间对称。（请注意，我不需要[A1，A2]->B的对称性。）

如果我正确理解了您的问题，输入_1到A_1和输入_2到A_2的映射已经一个接一个地完成，因为您希望两个输入的映射函数相同。在这种情况下，你可以考虑RNN，但是如果你的输入是相互独立的，你可以考虑使用<代码> TimeTimeButtudio。下面的示例将获取两个输入，并使用

稠密

层逐个映射输入，从而共享

稠密

的权重：

from keras.models import Model
from keras.layers import Input, Dense, TimeDistributed, Concatenate, Lambda

x_dim = 5
hidden_dim = 8

x1 = Input(shape=(1,x_dim,))
x2 = Input(shape=(1,x_dim,))

concat = Concatenate(axis=1)([x1, x2])
hidden_concat = TimeDistributed(Dense(hidden_dim))(concat)
hidden1 = Lambda(lambda x: x[:,:1,:])(hidden_concat)
hidden2 = Lambda(lambda x: x[:,1:,:])(hidden_concat)

model = Model(inputs=[x1,x2], outputs=[hidden1, hidden2])
model.summary()

>>>
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_33 (InputLayer)           (None, 1, 5)         0                                            
__________________________________________________________________________________________________
input_34 (InputLayer)           (None, 1, 5)         0                                            
__________________________________________________________________________________________________
concatenate_17 (Concatenate)    (None, 2, 5)         0           input_33[0][0]                   
                                                                 input_34[0][0]                   
__________________________________________________________________________________________________
time_distributed_9 (TimeDistrib (None, 2, 8)         48          concatenate_17[0][0]             
__________________________________________________________________________________________________
lambda_8 (Lambda)               (None, 1, 8)         0           time_distributed_9[0][0]         
__________________________________________________________________________________________________
lambda_9 (Lambda)               (None, 1, 8)         0           time_distributed_9[0][0]         
==================================================================================================
Total params: 48
Trainable params: 48
Non-trainable params: 0

---

谢谢这正是我想要的。（RNN不适合我的问题，）