Neural network 矩阵向量乘法的Keras-Lambda层

我试图在keras中有一个lambda层，它执行向量矩阵乘法，然后将它传递到另一层。矩阵是固定的（我不想学习它）。代码如下：

model.add(Dropout(0.1))    
model.add(Lambda(lambda x: x.dot(A)))
model.add(Dense(output_shape, activation='softmax'))
model.compile(<stuff here>)}

model.add（退出（0.1））
model.add（Lambda（Lambda x:x.dot（A）））
添加（密集（输出_形，激活='softmax'））
model.compile（）}

A是固定矩阵，我想做x.dot（A）

当我运行此操作时，会出现以下错误：

“张量”对象没有属性“点”

当我用matmul替换dot时出现相同的错误（我使用的是tensorflow后端）

最后，当我将lambda层替换为

model.add（Lambda（Lambda x:x*A））

我得到以下错误：

model.add（Lambda（Lambda x:x*G））

model.add（密集型（输出_形，activation='softmax'））

AttributeError:“tuple”对象没有属性“\u dims”

---

我是Keras的新手，所以任何帮助都将不胜感激。谢谢

我认为您可以添加一个

密集

层，初始权重为矩阵

a

，并设置参数

trainable=False

和

use_bias=False

。这一层相当于一个固定的矩阵乘法

model.add（密集型（A.shape[1]，trainable=False，weights=A，use_bias=False））

为lambda创建一个函数：

import keras.backend as K
import numpy as np

numpyA = np.array(define A correctly here, with 2 dimensions)

def multA(x):
    A = K.variable(numpyA)

    return K.dot(x,A)

model.add(Lambda(multA))

---

这似乎是合理的，我试过了，但得到了以下结果：层权重形状（1265）与提供的权重形状（265265）不兼容。265是A.shape[1]（它是一个方阵）您能提供

model.summary（）

？似乎前一层的输出尺寸等于1。如果前一层的输出形状是

（None，265，1）

，那么我认为您可以通过添加

展平

层来删除额外的轴。不，前一层是（None，265）。我实现了@Daniel的方法，但这对我来说很有效