在tensorflow/tflearn中使用自定义层定义连接

我希望使用矩阵指定激活节点之间的连接，而不是完全连接的层。例如：

我有一个连接到10节点层的20节点层。使用典型的全连接层，我的

W

矩阵为20 x 10，其中

b

向量大小为10

我的激活看起来像是

relu（Wx+b）

如果我有一个由1和0组成的矩阵，其大小与

W

相同，我们称之为

F

，我可以在

W

和

F

之间进行成对乘法，以移除第一层（20个节点）和第二层（10个节点）之间的连接

这是我目前的代码：

F.shape
# (20, 10)
import tflearn
import tensorflow as tf

input = tflearn.input_data(shape=[None, num_input])

first = tflearn.fully_connected(input, 20, activation='relu')
# Here is where I want to use a custom function, that uses my F matrix
# I dont want the second layer to be fully connected to the first, 
# I want only connections that are ones (and not zeros) in F

# Currently:
second = tflearn.fully_connected(first, 10, activation='relu')
# What I want:
second = tflearn.custom_layer(first, my_fun)

我的乐趣给了我：

relu（（FW）X+b）

和

FW

是成对乘法

---

如何创建此函数？我似乎找不到tflearn如何实现的示例，但我也知道tflearn也允许基本tensorflow函数

严格使用tflearn很难做到这一点，但如果您愿意包含基本tensorflow操作，那么它很简单：

F.shape
# (20, 10)
import tflearn
import tensorflow as tf

input = tflearn.input_data(shape=[None, num_input])
tf_F = tf.constant(F, shape=[20, 10])

first = tflearn.fully_connected(input, 20, activation='relu')
# Here is where I want to use a custom function, that uses my F matrix
# I want only connections that are ones (and not zeros) in F

# Old:
# second = tflearn.fully_connected(first, 10, activation='relu')
# Solution:
W = tf.Variable(tf.random_uniform([20, 10]), name='Weights')
b = tf.Variable(tf.zeros([10]), name='biases')
W_filtered = tf.mul(tf_F, W)
second = tf.matmul( W_filtered, first) + b