Python tensorflowjs：编写tensorflowjs自定义层时如何扩展tf.layers.conv2d

我需要编写一个tensorflowjs自定义层来导入我的模型。在原始python代码中，这是通过扩展Conv2D实现的，但在tfjs代码中似乎不可能实现。请求帮助

错误消息

我是tensorflow的新手，我想知道如何将这个自定义层转换为tfjs代码，这已经困扰了我很长时间，如果有任何帮助，我将不胜感激

下面是python cunstom层代码

从keras.utils导入conv_utils
从keras导入后端为K
从keras.engine导入InputSpec
从keras.layers导入Conv2D
PConv2D类（Conv2D类）：
定义初始化（self，*args，n_通道=3，mono=False，**kwargs）：
super（）
self.input_spec=[InputSpec（ndim=4），InputSpec（ndim=4）]
def构建（自我，输入_形状）：
“”“改编自Keras的原始_Conv（）层
参数输入_形状：[img，掩码]的尺寸列表
"""
如果self.data\u format==“channels\u first”：
通道_轴=1
其他：
通道_轴=-1
如果输入_形状[0][channel_axis]为无：
raise VALUERROR（'应定义输入的通道维度。找到'None`.）
self.input\u dim=input\u shape[0][channel\u axis]
#图像核
kernel\u shape=self.kernel\u size+（self.input\u dim，self.filters）
self.kernel=self.add\u weight（shape=kernel\u shape，
初始值设定项=self.kernel\u初始值设定项，
name='img_kernel'，
正则化器=self.kernel\u正则化器，
constraint=self.kernel\u约束）
#掩码内核
self.kernel\u mask=K.one（shape=self.kernel\u size+（self.input\u dim，self.filters））
如果使用self.u偏差：
self.bias=self.add_权重（shape=（self.filters，），
初始值设定项=self.bias\u初始值设定项，
name='bias'，
正则化器=自偏移正则化器，
约束=自身偏差（约束）
其他：
自我偏见=无
自建=真
def调用（自身、输入、掩码=无）：
'''
我们将使用Keras conv2d方法，基本上我们有
这里要做的是在应用
卷积。对于掩码本身，我们对所有权重应用卷积
设置为1。
随后，我们将所有掩码值>0设置为1，否则设置为0
''' 
#必须同时提供图像和遮罩
如果类型（输入）不是列表或len（输入）！=2:
raise Exception（'PartialConvolution2D必须在两个张量[img，mask]的列表上调用）。改为GET:'+str（输入））
#创建规范化。与纸张相比，此处略有变化，使用平均遮罩值而不是总和
标准化=K.平均值（输入[1]，轴=[1,2]，keepdims=真）
规格化=K。重复元素（规格化，输入[1]。形状[1]，轴=1）
规格化=K。重复元素（规格化，输入[1]。形状[2]，轴=2）
#对图像应用卷积
img_输出=K.conv2d(
（输入[0]*输入[1]）/normalization，self.kernel，
步幅，
padding=self.padding，
data\u format=self.data\u format，
膨胀率=自膨胀率
)
#对掩模应用卷积
掩码输出=K.conv2d(
输入[1]，self.kernel\u掩码，
步幅，
padding=self.padding，
data\u format=self.data\u format，
膨胀率=自膨胀率
)
#如果发生了什么，则设置为1，否则设置为0
掩码输出=K.cast（K.morer（掩码输出，0），'float32'）
#仅对图像应用偏移（如果选择这样做）
如果使用self.u偏差：
img\u输出=K.偏差\u相加(
img_输出，
自我偏见，
数据格式=自。数据格式）
#对图像应用激活
如果self.activation不是None：
img_输出=自激活（img_输出）
返回[img_输出，掩码_输出]
def计算输出形状（自身、输入形状）：
如果self.data\u format=='channels\u last'：
空格=输入_形[0][1:-1]
新的_空间=[]
对于范围内的i（len（空格））：
新建尺寸=conv_utils.conv_输出长度(
空间[i]，
self.kernel_size[i]，
padding=self.padding，
步幅=自我。步幅[i]，
膨胀=自膨胀率[i]）
新建空间。追加（新建空间）
new_shape=（input_shape[0][0]，）+元组（new_space）+（self.filters，）
返回[新形状，新形状]
如果self.data\u format==“channels\u first”：
空格=输入_形[2:]
新的_空间=[]
对于范围内的i（len（空格））：
新建尺寸=conv_utils.conv_输出长度(
空间[i]，
self.kernel_size[i]，
padding=self.padding，
步幅=自我。步幅[i]，
膨胀=自膨胀率[i]）
新建空间。追加（新建空间）
新的_形状=（输入_形状[0]，self.filters）+元组（新的_空间）
返回[新形状，新形状]

这是我的tfjs代码

import*作为tf从'@tensorflow/tfjs'导入；
从“@tensorflow/tfjs layers/dist/utils/conv_utils”导入{convOutputLength，deconvLength，normalizeArray}”；
从“@tensorflow/tfjs layers/dist/engine/topology”导入{InputSpec}；
类PConv2D扩展了tf.layers.Layer{
常数
class pconv2d extends tf.layers.conv2d {
  static className = 'MyCustomLayer';

  constructor(config) {
    super(config);
    // add other initialization
  }
  // add computation of the layer
}
tf.serialization.registerClass(pconv2d);
a = tf.ones([16, 16, 16, 16])
b = new MyCustomLayer({kernelSize: 2, filters: 2}).apply(a)
b.print()