如何在 Keras 中使用“有状态”变量/张量创建自定义层？

Question

我想请您帮助创建我的自定义图层。我想做的实际上非常简单：生成一个带有“状态”变量的输出层，即其值在每个批次中更新的张量。

为了使一切更清楚，以下是我想做的事情的片段：

def call(self, inputs)

   c = self.constant
   m = self.extra_constant

   update = inputs*m + c 
   X_new = self.X_old + update 

   outputs = X_new

   self.X_old = X_new   

   return outputs

这里的想法很简单：

• X_old中初始化为0def__ init__(self, ...)
• update被计算为层输入的函数
• 计算该层的输出（即X_new）
• 的值X_old设置为等于X_new，以便在下一批中X_old不再等于零，而是等于X_new前一批。

我发现它K.update可以完成这项工作，如示例所示：

 X_new = K.update(self.X_old, self.X_old + update)

这里的问题是，如果我尝试将层的输出定义为：

outputs = X_new

return outputs

当我尝试 model.fit() 时，我会收到以下错误：

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have 
gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

即使我施加了layer.trainable = False并且没有为该层定义任何偏差或权重，我仍然会遇到此错误。另一方面，如果我这样做self.X_old = X_new， 的值X_old不会更新。

你们有解决方案来实现这个吗？我相信这应该没那么难，因为有状态 RNN 也有“类似”的功能。

在此先感谢您的帮助！

Answer 1

有时定义自定义层可能会变得混乱。您重写的某些方法将被调用一次，但它给您的印象是，就像许多其他 OO 库/框架一样，它们将被调用多次。

我的意思是：当您定义一个层并在模型中使用它时，您为重写call方法编写的 python 代码不会在前向或后向传递中直接调用。相反，当您调用 时，它仅被调用一次model.compile。它将 python 代码编译为计算图，而张量在其中流动的图就是训练和预测期间进行计算的内容。

这就是为什么如果你想通过放置一条print语句来调试你的模型，这是行不通的；您需要使用tf.print向图表添加打印命令。

这与您想要的状态变量的情况相同。old + update您需要调用new一个 Keras 函数将该操作添加到图中，而不是简单地分配给。

tf.Variable请注意，张量是不可变的，因此您需要像方法中那样定义状态__init__。

所以我相信这段代码更像是您正在寻找的代码：

class CustomLayer(tf.keras.layers.Layer):
  def __init__(self, **kwargs):
    super(CustomLayer, self).__init__(**kwargs)
    self.state = tf.Variable(tf.zeros((3,3), 'float32'))
    self.constant = tf.constant([[1,1,1],[1,0,-1],[-1,0,1]], 'float32')
    self.extra_constant = tf.constant([[1,1,1],[1,0,-1],[-1,0,1]], 'float32')
    self.trainable = False

  def call(self, X):
    m = self.constant    
    c = self.extra_constant
    outputs = self.state + tf.matmul(X, m) + c
    tf.keras.backend.update(self.state, tf.reduce_sum(outputs, axis=0))

    return outputs