如何使用“有状态”变量/张量在 Keras 中创建自定义层？

Question

我想请您帮忙创建我的自定义图层。 我想做的其实很简单：生成一个带有“有状态”变量的输出层，即每批更新其值的张量。

为了让一切更清楚，这里是我想做的一个sn-p：

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 在 def__ init__(self, ...) 中初始化为 0
• update 是根据层的输入计算得出的
• 计算层的输出（即X_new）
• X_old 的值设置为等于 X_new，这样在下一批中，X_old 不再等于 0，而是等于上一批中的 X_new。

我发现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

我在尝试 model.fit() 时会收到以下错误：

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.

即使我强加了layer.trainable = False 并且我没有为图层定义任何偏差或权重，我仍然会遇到此错误。另一方面，如果我只做self.X_old = X_new，X_old 的值不会更新。

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

提前感谢您的帮助！

Answer 1

定义自定义层有时会变得令人困惑。您覆盖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，您为覆盖call 方法而编写的python 代码不会在向前或向后传递中直接调用。相反，它只在您调用model.compile 时调用一次。它将 python 代码编译为计算图，张量将在其中流动的图是训练和预测期间的计算。

这就是为什么如果你想通过添加print 语句来调试你的模型是行不通的；您需要使用tf.print 向图形添加打印命令。

你想要的状态变量也是一样的情况。您需要调用 Keras 函数将该操作添加到图中，而不是简单地将 old + update 分配给 new。

请注意，张量是不可变的，因此您需要在 __init__ 方法中将状态定义为 tf.Variable。

所以我相信这段代码更像你正在寻找的：

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