Python Numba可用于划分Keras层的子类吗？

我知道麻木。然而，在我的例子中，我试图将一个

层子类化，所以这个解决方案对我不起作用

将numpy导入为np
进口麻木
导入tensorflow作为tf
@numba.jit（nopython=True）
def func（参数，输入）：
返回参数*输入**2
@numba.jit（nopython=True）
def gradfunc（参数，输入）：
返回输入**2
@自定义梯度
def func_tf（参数，输入）：
p=参数numpy（）
i=input.numpy（）
def梯度（dy）：
返回tf.numpy_函数（gradfunc，（p，i），tf.float32），2*p*i
返回tf.numpy_函数（func，（p，i），tf.float32），grad
myLayer类（tf.keras.layers.Layer）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
def构建（自我，输入_形状）：
self.param=自加重量（“param”）
def呼叫（自我，输入）：
返回函数（self.param，输入）
myModel类（tf.keras.Model）：
def uuu init uuuu（自，num_层）：
super（）。\uuuuu init\uuuuuuu（名称=“”）
self.\u layers=[myLayer（）用于范围内的（num\u layers）]
def调用（自、输入张量）：
对于自身中的层。\u层：
输入张量=图层（输入张量）
返回输入张量
模型=我的模型（3）
打印（型号（1.5））#编辑：如果您将
params
和
input
直接传递到以下位置，而不是在
tf_func
中使用
.numpy（）
，则您的代码应该可以工作：

@tf.custom\u梯度
def func_tf（参数，输入）：
param=tf。将_转换为_张量（param）
输入=tf。将_转换为_张量（输入）
def梯度（dy）：
返回tf.numpy_函数（gradfunc，（param，input），tf.float32），2*param*input
返回tf.numpy_函数（func，（param，input），tf.float32），grad

存在的原因是严格要求对象，因此如果直接使用
params
，它将是从
myLayer
传递的变量，它将无法按预期工作

出于某种原因，代码在此之后仍然给出了一个关于形状的错误。我将
参数
权重的形状更改为
[1,1]
:

self.param=self.add_weight（“param”，shape=[1,1]）


您可以通过
run_early=True
强制Keras使用渴望模式（即不使用）进行培训：

model.compile(
optimizer=tf.keras.optimizers.Adam（），
损失=损失，
指标=[损失]，
热切地奔跑（正确）
的确如此（谢谢你的建议），但这至少会使训练速度减慢10倍@Ziofil是的，这并不让我感到惊讶。。。不幸的是，没有太多的方法可以解决这个问题，如果你想将NumPy/Numba代码整合到训练中，你需要急切地运行。。。另一种选择是将Numba代码移植到TensorFlow，我不知道这在您的情况下是否可行（可能是TensorFlow实现比Numba慢）。但原则上，它应该可以在Keras和TF的内部实现：如果一个人将op定义为一个具有自己自定义梯度的黑盒，那么它在计算图中应该是“可插入的”，就像…@Ziofil Wait，我刚刚意识到，为什么你在代码中使用
.numpy（）
？在
func_tf
中不需要
p
和
i
，应该使用
param
和
input
。这将允许将代码包装到
tf.函数中。嗯，
input
作为一个值传递，但是
param
作为一个张量传递，因此如果我不使用
.numpy（）
，它将不起作用。。。（除非我遗漏了什么）