Tensorflow 基于Keras的简单神经网络动态展开_Tensorflow_Machine Learning_Keras_Neural Network_Backpropagation

Tensorflow 基于Keras的简单神经网络动态展开

tensorflow machine-learning keras neural-network

Tensorflow 基于Keras的简单神经网络动态展开,tensorflow,machine-learning,keras,neural-network,backpropagation,Tensorflow,Machine Learning,Keras,Neural Network,Backpropagation,我试图复制一个神经网络来计算分子的能量（下图）。能量是键合/非键合相互作用和角/二面体应变的总和。我有4个独立的神经网络，找出每一个的能量，总能量是每一个相互作用的能量之和，可能有100个。在我的数据集中，我只知道总能量如果我的总能量是使用不同神经网络上的多个（未知数，由分子决定）正向位置来计算的，，那么我如何让KeRa通过动态构造的总和反向传播。非keras Tensorflow方法也适用。（如果我事先知道会有多少键，我会把神经网络的输出加起来，问题是必须在运行时打开神经网络的副本）这只是

我试图复制一个神经网络来计算分子的能量（下图）。能量是键合/非键合相互作用和角/二面体应变的总和。我有4个独立的神经网络，找出每一个的能量，总能量是每一个相互作用的能量之和，可能有100个。在我的数据集中，我只知道总能量

如果我的总能量是使用不同神经网络上的多个（未知数，由分子决定）正向位置来计算的，，那么我如何让KeRa通过动态构造的总和反向传播。非keras Tensorflow方法也适用。（如果我事先知道会有多少键，我会把神经网络的输出加起来，问题是必须在运行时打开神经网络的副本）
这只是本文给出的一个示例图像：

总之，问题是：“如何实现动态展开并将其输入到Keras中的总和？”
如果其中一个维度未知，Keras层的形状可以为
（无，实际形状…
）。然后我们可以使用一个TensorFlow层，使用
tf在索引为0的轴上求和。减少求和（层，轴=0）
。因此，动态层尺寸在Keras中不难实现

但是，如果输入形状构成更多的约束，我们可以传入附加虚拟0值的完整矩阵和掩码矩阵，然后我们可以使用
tf.multiply
拒绝虚拟值，当然反向传播将自动工作。
Keras层可以被赋予
的形状（无，实际形状…）
如果其中一个尺寸未知。然后我们可以使用一个TensorFlow层，使用
tf在索引为0的轴上求和。减少求和（层，轴=0）
。因此，动态层尺寸在Keras中不难实现

但是，如果输入形状构成更多的约束，我们可以传入附加虚拟0值的完整矩阵和掩码矩阵，然后我们可以使用
tf.multiply
拒绝虚拟值，反向传播当然会自动工作。
您尝试了什么？正如你目前的问题，没有太多的答案。我现在什么都没有，我知道RNN实时展开神经网络，但这里我需要实时展开规则密集网络。我只需要语法，我知道如何使用numpy per say实现。基本上，我的想法是，一旦我一直向前推进POS并生成最终结果，backprop将均匀地传递到所有原始网络，was any sum函数将反向传播。但我想干净利落地做到这一点，而不是编写很多东西，报纸还说他们设法使用了Keras。有语法提示吗？你试过什么？正如你目前的问题，没有太多的答案。我现在什么都没有，我知道RNN实时展开神经网络，但这里我需要实时展开规则密集网络。我只需要语法，我知道如何使用numpy per say实现。基本上，我的想法是，一旦我一直向前推进POS并生成最终结果，backprop将均匀地传递到所有原始网络，was any sum函数将反向传播。但我想干净利落地做到这一点，而不是编写很多东西，报纸还说他们设法使用了Keras。有语法提示吗？