我正在尝试对Keras张量（带有TF后端）应用按功能进行特征缩放和平移（也称为仿射变换-该想法在此提要的文章的术语部分中进行了描述）。
我想转换的张量称为X卷积层的输出，并且具有shape (B,H,W,F)，表示（批大小，高度，宽度，特征图的数量）。
我变换的参数是二维(B,F)张量，beta和gamma。
我想要X * gamma + beta或更具体地讲，
for b in range(B):
for f in range(F):
X[b,:,:,f] = X[b,:,:,f] * gamma[b,f] + beta[b,f]
但是，这两种方法都无法在Keras中使用。第二个，按元素分配，由于
TypeError: 'Tensor' object does not support item assignment
并且应该是相当低效的。
第一次失败的方式对我来说更神秘，但我的猜测是这是广播的问题。在下面的完整代码+追溯中，您可以看到我的尝试。
需要注意的两件事是，错误仅在训练时发生（而不是在编译时发生），并且'transform_vars'至少根据模型摘要，似乎从未使用过输入。
关于如何实现这一点的任何想法？
import numpy as np
import keras as ks
import keras.backend as K
print(ks.__version__)
# Load example data (here MNIST)
from keras.datasets import mnist
(x_img_train, y_train), _ = mnist.load_data() …