Python 如何在keras自定义正则化器中使用初始化层权重？

我试图创建一个自定义Keras正则化器，它使用层的权重与其原始权重的距离，但我使用的似乎不起作用。似乎这个正则化器对训练和损失函数没有任何影响

你能帮我找出我做错了什么吗

class NormReg（）：
定义初始值（自身，系数）：
自身系数=系数
自身。\原始\权重=无
定义标准（自身、重量矩阵）：
返回K.sum（K.square（权重矩阵））
定义调用（自身、重量矩阵）：
如果self.\u原始\u权重为无：
自身。\原始\权重=权重\矩阵
差异矩阵=权重矩阵-自身。原始权重
返回自我系数*自我范数（差异矩阵）

（我使用tensorflow作为后端）

编辑： 在玩了一点这个类之后，我注意到了一些奇怪的事情：好像正则化器对象在每个批次的训练中被一次又一次地创建，这将解释为什么我会得到零。 我通过将课程改为-

class NormReg（）：
定义初始值（自身，系数）：
自我检查=1
自身系数=系数
自身。\原始\权重=无
定义标准（自身、重量矩阵）：
返回K.sum（K.square（权重矩阵））
定义调用（自身、重量矩阵）：
如果self.\u原始\u权重为无：
自身。\原始\权重=权重\矩阵
如果自我检查=1：
自我检查=0
返回10000
差异矩阵=权重矩阵-自身。原始权重
返回自我系数*自我范数（差异矩阵）

---

事实上，在整个训练过程中，如果失败的话，将会受到1分的惩罚

我仍然不完全理解它背后的所有细节，但这里是我弄错的地方：

我假设正则化器在训练期间由模型使用，但实际上在构建模型将使用的计算图时只使用一次。 因此，Keras在其计算图中学会了“取权重，从自身中减去它们，然后返回系数乘以标准值”。 在我编辑之后，它学会了做的是“取重量，然后返回10000”

因此，通过将

\uuu call\uu

函数更改为：

def\uuuu调用（自重矩阵）：
差异矩阵=权重矩阵-K.eval（权重矩阵）
返回自我系数*自我范数（差异矩阵）

这样做的目的是，它现在从给定的权重中减去一个具体的ndarray，然后计算差值。当然，这是初始权重，因为这些是该对象遇到的第一个权重

---

请随时纠正我，并给出更准确的答案。正如我所说，我仍然不能完全理解这一点

我仍然不完全理解它背后的所有细节，但这里是我弄错的地方：

我假设正则化器在训练期间由模型使用，但实际上在构建模型将使用的计算图时只使用一次。 因此，Keras在其计算图中学会了“取权重，从自身中减去它们，然后返回系数乘以标准值”。 在我编辑之后，它学会了做的是“取重量，然后返回10000”

因此，通过将

\uuu call\uu

函数更改为：

def\uuuu调用（自重矩阵）：
差异矩阵=权重矩阵-K.eval（权重矩阵）
返回自我系数*自我范数（差异矩阵）

这样做的目的是，它现在从给定的权重中减去一个具体的ndarray，然后计算差值。当然，这是初始权重，因为这些是该对象遇到的第一个权重

---

请随时纠正我，并给出更准确的答案。正如我所说，我仍然不能完全理解这一点

检查逻辑。你得到的是

diff_matrix

这里始终为零这是我在这里发布的观点，我找不到错误…检查逻辑。你得到的是

diff_matrix

这里始终为零这是我在这里发布的重点，我找不到错误。。。