R-具有权重约束的自定义Keras层

我正在尝试编写一个自定义Keras层，其中包含R中的可训练权重：

获取输入向量x并返回值expA*x*A，其中$A$是对角的且可训练的。。

---

其中exp是矩阵指数映射

请注意，了解批次大小的位置非常重要，层不能具有基于批次大小的权重，除非您使用批次形状或批次输入形状而不是形状定义输入-这将迫使您在模型中使用固定的批次大小。由于批量大小通常用于单个和独立样本，因此在操作和混合样本时使用批量大小是不健康的

这就是说，我假设这里的X具有shapebatch，dim，dim，并且A将具有shapedim，dim

为此，您可以构建一个自定义图层，如下所示：

其中build将有一个内核，其形状为1，dim，1-

因此，我们将不使用对角线，而是使用元素乘法的广播技巧：

    call = function(x, mask = NULL) {
      kernelTransposed <- tf$reshape(self$kernel, shape(1L, 1L, -1L)) #(1, 1, dim)
      B <- self$kernel * kernelTransposed #(1, dim, dim)
      tf$math$exp(x * B)
    },

---

什么意思？这就是R返回的结果me@DanielMöller抱歉，我当时真的是新手，所以我不明白问题是*矩阵乘法还是元素乘法？你能描述一下a和X的维数吗，包括批量大小？这是一个矩阵乘法，a和X都是平方d X d矩阵d>0一个整数。我有点困惑函数矩阵指数表达式在哪里？@AIM\u BLB，对不起，我忘了表达式，它现在在答案中。我不明白这个问题。。。。只有经验？使用一个Lambda层和一个只调用exp的函数。你不需要它是keras。Keras完全建立在tensorflow之上，所以您可以使用tf$linalg$expm，就像我使用tf$math$exp一样。我不使用R，但看起来就是这样：

#supposing A has the elements [a, b, c, ...] in the diagonals,

B is:
[ [aa, ab, ac, ...],
  [ab, bb, bc, ...],
  [ac, bc, cc, ...],
  ...
]

    call = function(x, mask = NULL) {
      kernelTransposed <- tf$reshape(self$kernel, shape(1L, 1L, -1L)) #(1, 1, dim)
      B <- self$kernel * kernelTransposed #(1, dim, dim)
      tf$math$exp(x * B)
    },

    compute_output_shape = function(input_shape) {
      input_shape
    }