如何在Tensorflow/Keras中的两层之间创建循环连接？

基本上，我想做的是采用以下非常简单的前馈图：

然后添加一个循环层，将第二个密集层的输出作为第一个密集层的输入，如下所示。这两个模型显然都是对我的实际用例的简化，尽管我认为我所要求的一般原则对这两个模型都适用

我想知道Tensorflow甚至keras是否有一种有效的方法来实现这一点，特别是在GPU处理效率方面。虽然我很有信心我可以在Tensorflow中拼凑出一个定制模型来完成这个功能，但我对这样一个定制模型的GPU处理效率感到悲观。因此，如果有人知道一种有效的方法来实现两层之间的重复连接，我将不胜感激。谢谢您抽出时间！=）

---

为了完整性起见，下面是创建第一个简单前馈图的代码。我通过图像编辑创建的循环图

inputs = tf.keras.Input(shape=(128,))

h_1 = tf.keras.layers.Dense(64)(inputs)
h_2 = tf.keras.layers.Dense(32)(h_1)
out = tf.keras.layers.Dense(16)(h_2)

model = tf.keras.Model(inputs, out)

---

由于我的问题还没有得到任何答案，我想与大家分享我提出的解决方案，以防有人通过搜索找到这个问题

如果您发现或想出更好的解决方案，请告诉我-谢谢

类SimpleModel（tf.keras.Model）：
定义初始化（自、输入形状、*args、**kwargs）：
super（SimpleModel，self）。\uuuuuu初始化（*args，**kwargs）
#创建节点层
self.node_1=tf.keras.layers.InputLayer（input_shape=input_shape）
self.node_2=tf.keras.layers.density（64，activation='sigmoid'）
self.node_3=tf.keras.layers.density（32，activation='sigmoid'）
self.node_4=tf.keras.layers.density（16，activation='sigmoid'）
self.conn_3_2_经常性_状态=无
#创建循环连接状态
节点_1_输出_形状=self.node_1.compute_输出_形状（输入_形状）
node_2_output_shape=self.node_2.compute_output_shape（node_1_output_shape）
node_3_output_shape=self.node_3.compute_output_shape（node_2_output_shape）
self.conn_3_2_递归_state=tf.Variable（初始_值=self.node_3（tf.ones（shape=node_2_output_shape）），
可训练=错误，
验证_shape=False，
dtype=tf.float32）
#或
#self.conn_3_2_recurrent_state=tf.random.uniform（shape=node_3_output_shape，minval=0.123，maxval=4.56）
#或
#self.conn\u 3\u 2\u递归\u状态=tf.ones（形状=节点\u 3\u输出\u形状）
#或
#self.conn_3_2_递归_state=tf.zeros（shape=node_3_output_shape）
def呼叫（自我，输入）：
x=自身节点_1（输入）
#tf.打印（自连接3\u 2\u状态）
#tf.print（self.conn\u 3\u 2\u returnal\u state.shape）
x=tf.keras.layers.Concatenate（轴=-1）（[x，self.conn\u 3\u 2\u状态]）
x=自身节点_2（x）
x=自身节点_3（x）
self.conn_3_2_reportional_state.assign（x）
#tf.打印（自连接3\u 2\u状态）
#tf.print（self.conn\u 3\u 2\u returnal\u state.shape）
x=自身节点_4（x）
返回x
#演示模型的状态性（在model.call（）中取消注释）
模型=简单模型（输入形状=（10128））
x=tf.one（形状=（10128））
型号（x）
型号（x）
#演示循环连接TF模型的可训练性
x=tf.random.uniform（形状=（10128））
y=tf.one（形状=（10,16））
模型=简单模型（输入形状=（10128））
compile（优化器='adam'，loss='binary\u crossentropy'）
模型拟合（x=x，y=y，epochs=100）