Tensorflow Keras自定义单元格无效参数：必须为占位符张量输入一个值

为了保存r和z门的值，我正在尝试实现一个定制的GRUCell。 该代码与原始keras.layer.returnal.py相同

唯一的区别是我添加了两个类变量来存储张量（第48-49行）和一个getter方法。张量保存在第189-190或235-236行

类GRUCellTweak（层）：
定义初始值（自身、单位、，
激活='tanh'，
反复发作的“乙状结肠”，
使用_bias=True，
kernel\u initializer='glorot\u uniform'，
循环式_初始值设定项='正交'，
偏差\u初始值设定项='零'，
核正则化器=无，
递归正则化器=无，
偏差\正则化器=无，
内核约束=无，
循环约束=无，
偏差约束=无，
辍学率=0。，
经常性辍学=0。，
执行=2，
重置\u after=False，
**kwargs）：
超级（GRUCellTweak，self）。\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu（**kwargs）
self.units=单位
self.activation=activations.get（激活）
self.recurrent\u activation=activations.get（recurrent\u activation）
self.use\u bias=use\u bias
self.kernel\u initializer=initializers.get（kernel\u initializer）
self.returnal\u initializer=initializers.get（returnal\u initializer）
self.bias\u初始值设定项=初始值设定项.get（bias\u初始值设定项）
self.kernel\u正则化器=正则化器.get（kernel\u正则化器）
self.recurrent\u正则化器=正则化器.get（recurrent\u正则化器）
self.bias\u正则化器=正则化器.get（bias\u正则化器）
self.kernel\u constraint=constraints.get（kernel\u constraint）
self.recurrent\u constraint=constraints.get（recurrent\u constraint）
self.bias\u constraint=constraints.get（bias\u constraint）
自衰减=最小值（1，最大值（0，衰减））
自身复发性辍学=最小值（1，最大值（0，复发性辍学））
self.implementation=实现
self.reset\u after=reset\u after
self.state_size=self.units
self.output_size=self.units
self.\u dropout\u mask=无
自身。\经常性\辍学\屏蔽=无
self.reset_gate_history=[]
self.update\u gate\u history=[]
def构建（自我，输入_形状）：
输入尺寸=输入形状[-1]
如果存在（self.u初始值设定项、初始值设定项、标识）：
def标识（形状，增益=1，数据类型=无）：
del数据类型
返回增益*np.concatenate(
[np.identity（形状[0]）]*（形状[1]//形状[0]），轴=1）
self.recurrent\u初始值设定项=recurrent\u标识
self.kernel=self.add_weight（shape=（输入尺寸，self.units*3），
name='kernel'，
初始值设定项=self.kernel\u初始值设定项，
正则化器=self.kernel\u正则化器，
constraint=self.kernel\u约束）
self.returnal\u kernel=self.add\u weight(
形状=（self.units，self.units*3），
name='returnal_kernel'，
初始值设定项=自循环\u初始值设定项，
正则化器=自循环正则化器，
约束=自我循环（约束）
如果使用self.u偏差：
如果不是自复位，则在以下时间后复位：
偏差_形状=（3*自单位，）
其他：
#输入核和循环核的独立偏差
#注：形状有意不同于CuDNNGRU偏压
#`（2*3*self.units，）`，这样我们就可以区分这些类了
#加载和转换保存的权重时。
偏差形状=（2,3*自单位）
self.bias=self.add\u weight（形状=bias\u形状，
name='bias'，
初始值设定项=self.bias\u初始值设定项，
正则化器=自偏移正则化器，
约束=自身偏差（约束）
如果不是自复位，则在以下时间后复位：
self.input\u bias，self.recurrent\u bias=self.bias，None
其他：
#注意：需要展平，因为CNTK中的切片提供2D阵列
self.input_bias=K.flatten（self.bias[0]）
self.returnal_bias=K.flatten（self.bias[1]）
其他：
自我偏见=无
#更新门
self.kernel_z=self.kernel[：，：self.units]
self.recurtive_kernel_z=self.recurtive_kernel[：，：self.units]
#复位门
self.kernel\u r=self.kernel[：，self.units:self.units*2]
self.recurtive_kernel_r=self.recurtive_kernel[：，
自我评价单位：
自我评价单位*2]
#新大门
self.kernel_h=self.kernel[：，self.units*2:]
self.recurtive_kernel_h=self.recurtive_kernel[：，self.units*2:]
如果使用self.u偏差：
#输入偏差
self.input_bias_z=self.input_bias[：self.units]
self.input\u bias\r=self.input\u bias[self.units:self.units*2]
self.input_bias_h=self.input_bias[self.units*2:]
#隐藏状态偏差-仅用于兼容性