Python tensorflow keras中的采样softmax

我想做tf keras中的最大损耗采样。我通过子类化keras模型定义了自己的模型。在init中，我指定了我需要的层，包括最后一个密集投影层。但是这个密集层不应该在训练中被调用，因为我想做采样的softmax，并且只使用它的权重和偏差。然后我定义损失函数如下：

class SampledSoftmax:
    def init( self,
              num_sampled,
              num_classes,
              projection,
              bias,
              hidden_size):
        self.weights = tf.transpose(projection)
        self.bias = bias
        self.num_classes = num_classes
        self.num_sampled = num_sampled
        self.hidden_size = hidden_size

    def call(self, y_true, input):
        """ reshaping of y_true and input to make them fit each other """
        input = tf.reshape(input, (-1,self.hidden_size))
        y_true = tf.reshape(y_true, (-1,1))

        return tf.nn.sampled_softmax_loss(
                   weights=self.weights,
                   biases=self.bias,
                   labels=y_true,
                   inputs=input,
                   num_sampled=self.num_sampled,
                   num_classes=self.num_classes,
                   partition_strategy='div')

它接受必要的参数进行初始化，类调用将是所需的采样softmax loss函数。问题是，为了给模型编译增加损失，我需要最后一个密度的权重等。但是1）在training中，稠密层不包含在模型中，2）即使它包含在模型中，稠密层也只会与输入连接，从而在调用我的自定义模型时获得其输入维度等。简言之，在编译模型之前，权重等将不可用。有人能帮我指出正确的方向吗

现在是导致它失败的代码。第一个子类模型如下：

class LanguageModel(tf.keras.Model):
    def __init__(self, 
                 vocal_size=15003, 
                 embedding_size=512
                 input_len=64)
       self.embedding = Embedding(vocal_size, embedding_size, 
                                  input_length=input_len)
       self.lstm = LSTM(hidden_size, return_sequences=True)
       self.dense = Dense(vocal_size, activation='softmax')

   def call(self, inputs, training=False):
       emb_out = self.embedding(inputs)
       lstm_out = self.lstm(embrace_out)
       res = self.dense(lstm_out)
       if (training)
           ''' shouldn't use the last dense as we want to do sampling'''
           return lstm_out
       return res

然后对模型进行如下训练

sampled_loss = SampledSoftmax(num_sampled, vocal_size, 
                   model.dense.kernel, model.dense.bias,
                   hidden_size)

model.compile(optimizer=tf.train.RMSPropOptimizer(lr),
              loss=sampled_loss)

它将失败，但我会玩弄它，因为model.dense.kernel是不可访问的，因为在编译模型时，稠密层还没有在call方法中初始化。错误消息如下：

Traceback (most recent call last):
  File "/usr/lib/python3.5/runpy.py", line 184, in _run_module_as_main
    "__main__", mod_spec)
  File "/usr/lib/python3.5/runpy.py", line 85, in _run_code
    exec(code, run_globals)
  File "/home/wuxinyu/workspace/nlu/lm/main.py", line 72, in <module>
    train_main()
  File "/home/wuxinyu/workspace/nlu/lm/main.py", line 64, in train_main
    train_model.build_lm_model()
  File "/home/wuxinyu/workspace/nlu/lm/main.py", line 26, in build_lm_model
self.model.dense.kernel,
AttributeError: 'Dense' object has no attribute 'kernel'

---

什么情况下丢失函数不起作用？我想创建一个自定义模型子类化模型。根据tf.keras指南，我在init方法中指定了层，并在call方法中将它们与输入连接到整个网络中。编译模型时需要使用损失函数。捕获的是模型编译发生在init之后但在调用之前。这意味着最后一个致密层还没有得到它的尺寸，因此权重矩阵不可用。因此，在编译模型之前，我无法向SampledSoftmax传递正确的参数以获得损失函数。它形成了一个我无法打破的循环。在编译时必须知道密集层的维度（这使得权重张量可用）。您是否有这样一个示例，其中此丢失会产生错误？添加了失败的案例您是否可以同时包含错误消息？

x = Input(shape=(10,), name='input_x')
emb_out = Embedding(10000,200,input_length=10)(x)
lstm_out = LSTM(200, return_sequences=True)(emb_out)

dense = Dense(10000, activation='sigmoid')
output = dense(lstm_out)

sl = SampledSoftmax(10, 10000, dense.kernel, dense.bias)

model = Model(inputs=x, outputs=lstm_out)
model.compile(optimizer='adam', loss=sl)
model.summary()
model.fit(dataset, epochs=20, steps_per_epoch=5)