Neural network 如何在tensorflow.js中创建自己的层

我是tensorflow.js的新手，我想知道您是否能够创建一个如下所示的神经网络：

---

到目前为止，我只看到了密集层（tf.layers.dense），但我不知道是否可能/如何创建这个输入层

一个完全连接的神经网络，也称为密集层，可以用来表示上述结构。实际上，在完全连接的情况下，输入和输出之间的关系是线性的

WX+b

，这意味着如果对于某些W值，权重为0，则输入的某些值与隐藏层的某些节点之间将没有连接

当以这种方式定义网络架构时，可以初始化神经网络的权重：

const model=tf.sequential（）
const kernel=tf.eye（3）.expandDims（-1）.最小值（tf.ones（[3,2]））.转置（[0,2,1]）.重塑（[6,3]））
kernel.print（）
add（tf.layers.dense（{inputShape:[6]，单位：3，权重：[kernel]，useBias:false}））
add（tf.layers.dense（{units:8}））
model.add（tf.layers.dense（{units:2}））

---

如果要使用变量匹配条目进行预测，可以使用LSTM

因为几乎所有的输入都是相同的“性质”，我个人会让模型之间的权重共享

const model = tf.sequential()
model.add(tf.layers.timeDistributed({
   layer: tf.layers.dense({units: 4}),
   inputShape: [3, 2],
}));
model.add(tf.layers.flatten())
model.add(tf.layers.dense({units: 8}))
model.add(tf.layers.dense({units: 2}))

但得出了与我的评论类似的结论。您将在更深的层中融合匹配项，但它们将继续合并。我认为没有必要使用传统的MLP以外的网络。当您需要简化问题或限制问题时（例如，视频中帧的重要性。首先使用稠密时间分布提取特征，然后使用稠密时间分布融合特征），这种限制非常有趣

这些解决方案的问题在于匹配顺序确实很重要，为了避免此问题，您可以使用此体系结构（fuse使用sum）：

---

通过创建这样的体系结构，您试图实现什么？我不希望它将属于其他两个输入的两个输入混为一谈。这有意义吗？或者也可以使用密集层吗？我认为你可以通过密集层实现你想要的。但是你能显示你有什么样的输入和你在等待什么样的响应吗？输入应该是足球比赛的结果，输出应该是下一场足球比赛的结果。这是预测足球结果即使你没有在第一层使用完全连接的，你也会继续混合数据。你真正感兴趣的是从中得到一个预测。您可以在第一层完美地使用fc，您唯一要做的就是“之前”混合数据。

const model = tf.sequential()
model.add(tf.layers.timeDistributed({
   layer: tf.layers.dense({units: 4}),
   inputShape: [3, 2],
}));

model.add(tf.layers.sum(0))
model.add(tf.layers.dense({units: 8}))
model.add(tf.layers.dense({units: 2}))