Tensorflow 以NN（单位为keras）指定连接

我使用的是keras和tensorflow 1.4

我想明确指定两层之间连接的神经元。因此，当第一层的神经元I连接到第二层的神经元j，其他地方为零时，我有一个矩阵a，其中有1

我的第一次尝试是创建一个带有内核的自定义层，该层的大小与包含不可训练零的a相同，其中a包含零和可训练权重，其中a包含1。然后，期望的输出将是一个简单的点积。不幸的是，我没有设法弄明白如何实现一个部分可训练部分不可训练的内核

有什么建议吗

---

（用大量人工连接的神经元构建一个功能模型可能是一个解决办法，但不知何故是一个“丑陋”的解决方案）

如果这个矩阵的形状正确，我能想到的最简单的方法是导出密集层，然后简单地在代码中添加矩阵乘以原始权重：

类自定义连接（密集）：
定义初始值（自身、单位、连接，**kwargs）：
#这是矩阵A
self.connections=连接
#使用所有常用参数初始化原始参数
超级（自定义连接，自连接）。\uuuuu初始\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
def呼叫（自我，输入）：
#在调用原始调用之前更改内核：
self.kernel=self.kernel*self.connections
#调用原始计算：
超级（自定义连接、自连接）。呼叫（输入）

使用：

model.add（自定义连接（单位，矩阵））
add（CustomConnected（hidden_dim2，matrixB，activation='tanh'））#可以使用所有其他命名参数。。。

请注意，所有神经元/单位的末尾都添加了一个偏差。如果您不想要偏差，参数

use_bias=False

仍然有效。例如，您也可以使用向量B执行完全相同的操作，并使用

self.biases=self.biases*vectorB

测试提示：使用不同的输入和输出维度，以便确保矩阵A的形状正确

---

我刚刚意识到我的代码可能有缺陷，因为我正在更改原始密集层使用的属性。如果出现奇怪的行为或消息，您可以尝试其他调用方法：

def调用（自身，输入）：
输出=K.dot（输入，self.kernel*self.connections）
如果使用self.u偏差：
输出=K.bias_add（输出，自偏置）
如果self.activation不是None：
输出=自激活（输出）
返回输出

其中

K

来自

import keras.backend as K

如果希望看到矩阵遮罩的权重，还可以进一步设置自定义的

get_weights（）

方法。（在上述第一种方法中，这是不必要的）