小编Uda*_*r S的帖子

我正在编写一个keras自定义丢失函数,其中我想传递给下面的函数:y_true,y_pred(这两个将自动传递),模型内层的权重和常量.

如下所示:

def Custom_loss(y_true, y_pred, layer_weights, val = 0.01):
    loss = mse(y_true, y_pred)
    loss += K.sum(val, K.abs(K.sum(K.square(layer_weights), axis=1)))
    return loss

但上面的实现给了我错误.我怎样才能在keras中实现这一目标？

我试图在训练样本中引入稀疏性。我的数据矩阵的大小为（比如说）NxP，我想通过一个层（keras 层）传递它，该层的权重与输入大小相同。即可训练权重矩阵 W 的形状为 NxP。我想对这一层进行输入矩阵的 hadamard 乘积（逐元素乘法）。W 将元素与输入相乘。在这种情况下如何获得 W 的可训练层？

编辑：顺便说一下，非常感谢您的快速回复。然而，我想要做的 hadamard 乘积是在两个矩阵之间，一个是输入，我们称之为 X，我的 X 是 NxP 的形状。而且我希望我在 hadamard 层中的内核与 X 的大小相同。因此内核也应该具有 NxP 的大小。两个矩阵的元素乘法是通过调用函数实现的。

但是当前的实现仅将内核大小指定为 P。另外，我尝试在构建中更改内核的形状，如下所示：

self.kernel = self.add_weight(name='kernel',
                                      shape=input_shape,
                                      initializer='uniform',
                                      trainable=True)

但它给了我以下错误：

类型错误：无法将类型的对象转换为张量。内容：（无，16）。考虑将元素转换为支持的类型。

这里 P 是 16，我会在运行时得到 N，N 与训练样本的数量相似。

预先感谢您的帮助。