小编Mr *_*les的帖子

我只想在自定义图层内进行一些数字验证。

假设我们有一个非常简单的自定义层：

class test_layer(keras.layers.Layer):
    def __init__(self, **kwargs):
        super(test_layer, self).__init__(**kwargs)

    def build(self, input_shape):
        self.w = K.variable(1.)
        self._trainable_weights.append(self.w)
        super(test_layer, self).build(input_shape)

    def call(self, x, **kwargs):
        m = x * x            # Set break point here
        n = self.w * K.sqrt(x)
        return m + n

和主程序：

import tensorflow as tf
import keras
import keras.backend as K

input = keras.layers.Input((100,1))
y = test_layer()(input)

model = keras.Model(input,y)
model.predict(np.ones((100,1)))

如果我在该行设置断点调试m = x * x，程序在执行时会在此处暂停y = test_layer()(input)，这是因为图形已构建，call()方法被调用。

但是当我model.predict()用来赋予它真正的价值，并且想看看它是否正常工作时，它不会在该行停顿m = …

例如， y=Ax

其中A对角矩阵，其可训练的权重（w1, w2, w3）位于对角线上。

A = [w1 ... ...
    ...  w2 ...
    ... ... w3]

如何A在Tensorflow或Keras中创建这样的可训练的？

如果我尝试A = tf.Variable(np.eye(3))，可训练权重的总数将是3 * 3 = 9，而不是3。因为我只是想更新（W1，W2，W3）是3层的权重。

可能要使用一个技巧A = tf.Variable([1, 1, 1]) * np.eye(3)，以便将3个可训练的权重映射到的对角线A。

我的问题是：

1. 这个技巧对我有用吗？可以正确计算梯度吗？

2. 如果情况A更加复杂怎么办？例如，如果我想创建：

哪里w1, w2, ..., w6是要更新的权重。