我正试图在Keras中创建一个自定义的密集层，以在自动编码器中绑定权重。我在这里尝试了在卷积层中执行此操作的示例，但其中一些步骤似乎不适用于密集层(此外，代码来自两年多前(。
通过绑定权重，我希望解码层使用编码层的转置权重矩阵。本文(第5页(也采用了这种方法。以下是文章中的相关引用：
这里，我们选择编码和解码激活函数都是sigmoid函数，并且只考虑绑权情况，其中W′=WT(其中WT
在上面的引号中，W是编码层中的权重矩阵，W'(等于W的转置(是解码层中的加权矩阵。
我并没有在致密层中改变太多。我在构造函数中添加了一个tied_to参数，它允许您传递要将其绑定到的层。唯一的其他更改是对build函数，其代码片段如下：
def build(self, input_shape):
assert len(input_shape) >= 2
input_dim = input_shape[-1]
if self.tied_to is not None:
self.kernel = K.transpose(self.tied_to.kernel)
self._non_trainable_weights.append(self.kernel)
else:
self.kernel = self.add_weight(shape=(input_dim, self.units),
initializer=self.kernel_initializer,
name='kernel',
regularizer=self.kernel_regularizer,
constraint=self.kernel_constraint)
if self.use_bias:
self.bias = self.add_weight(shape=(self.units,),
initializer=self.bias_initializer,
name='bias',
regularizer=self.bias_regularizer,
constraint=self.bias_constraint)
else:
self.bias = None
self.input_spec = InputSpec(min_ndim=2, axes={-1: input_dim})
self.built = True
以下是__init__方法，此处唯一的更改是添加了tied_to参数。
def __init__(self, units,
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
tied_to=None,
**kwargs):
if 'input_shape' not in kwargs and 'input_dim' in kwargs:
kwargs['input_shape'] = (kwargs.pop('input_dim'),)
super(Dense, self).__init__(**kwargs)
self.units = units
self.activation = activations.get(activation)
self.use_bias = use_bias
self.kernel_initializer = initializers.get(kernel_initializer)
self.bias_initializer = initializers.get(bias_initializer)
self.kernel_regularizer = regularizers.get(kernel_regularizer)
self.bias_regularizer = regularizers.get(bias_regularizer)
self.activity_regularizer = regularizers.get(activity_regularizer)
self.kernel_constraint = constraints.get(kernel_constraint)
self.bias_constraint = constraints.get(bias_constraint)
self.input_spec = InputSpec(min_ndim=2)
self.supports_masking = True
self.tied_to = tied_to
call函数未进行编辑，但下面提供了它以供参考。
def call(self, inputs):
output = K.dot(inputs, self.kernel)
if self.use_bias:
output = K.bias_add(output, self.bias, data_format='channels_last')
if self.activation is not None:
output = self.activation(output)
return output
上面，我添加了一个条件来检查是否设置了tied_to参数，如果设置了，则将层的内核设置为tied_to层内核的转置。
下面是用于实例化模型的代码。它是使用Keras的顺序API完成的，DenseTied是我的自定义层。
# encoder
#
encoded1 = Dense(2, activation="sigmoid")
decoded1 = DenseTied(4, activation="sigmoid", tied_to=encoded1)
# autoencoder
#
autoencoder = Sequential()
autoencoder.add(encoded1)
autoencoder.add(decoded1)
训练模型后，下面是模型摘要和权重。
autoencoder.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_7 (Dense) (None, 2) 10
_________________________________________________________________
dense_tied_7 (DenseTied) (None, 4) 12
=================================================================
Total params: 22
Trainable params: 14
Non-trainable params: 8
________________________________________________________________
autoencoder.layers[0].get_weights()[0]
array([[-2.122982 , 0.43029135],
[-2.1772149 , 0.16689162],
[-1.0465667 , 0.9828905 ],
[-0.6830663 , 0.0512633 ]], dtype=float32)
autoencoder.layers[-1].get_weights()[1]
array([[-0.6521988 , -0.7131109 , 0.14814234, 0.26533198],
[ 0.04387903, -0.22077179, 0.517225 , -0.21583867]],
dtype=float32)
正如您所看到的，autoencoder.get_weights()报告的权重似乎没有绑定。
在展示了我的方法之后，我的问题是，这是在密集Keras层中绑定权重的有效方法吗？我能够运行代码，目前正在进行培训。损失函数似乎也在合理地减小。我担心的是，这只会在模型构建时使它们相等，而不会真正将它们联系起来。我希望后端transpose函数能够通过引擎盖下的引用将它们绑定在一起，但我确信我遗漏了一些东西。
感谢Mikhail Berlinkov，一句重要的话：这段代码在Keras下运行，但在TF2.0中不是在急切模式下运行。它运行，但训练很差。
关键点是，对象如何存储转置的权重。self.kernel=K.转置(self.tied_to.kernel(
在非急切模式下，这将以正确的方式创建一个图形。在急切模式下，这会失败，可能是因为转置变量的值存储在构建时(==第一次调用(，然后在后续调用中使用。
然而：解决方案是在构建时不更改地存储变量，并将转置操作放入调用方法中。
我花了几天时间来弄清楚这一点，如果这能帮助到任何人，我很高兴。
在展示了我的方法后，我的问题是，这是在密集Keras层中绑定权重的有效方法吗？
是的，它是有效的。
我担心的是，这只会在构建模型时使它们相等，而不会实际将它们绑定。我希望后端transpose函数能够通过引擎盖下的引用将它们绑定在一起，但我确信我遗漏了一些东西。
它实际上将它们联系在计算图中，您可以在打印model.summary()时检查这些可训练权重只有一个副本。此外，在训练模型后，您可以使用model.get_weights()检查相应层的权重。当模型建立时，实际上还没有权重，只有占位符。
random.seed(1)
class DenseTied(Layer):
def __init__(self, units,
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
tied_to=None,
**kwargs):
self.tied_to = tied_to
if 'input_shape' not in kwargs and 'input_dim' in kwargs:
kwargs['input_shape'] = (kwargs.pop('input_dim'),)
super().__init__(**kwargs)
self.units = units
self.activation = activations.get(activation)
self.use_bias = use_bias
self.kernel_initializer = initializers.get(kernel_initializer)
self.bias_initializer = initializers.get(bias_initializer)
self.kernel_regularizer = regularizers.get(kernel_regularizer)
self.bias_regularizer = regularizers.get(bias_regularizer)
self.activity_regularizer = regularizers.get(activity_regularizer)
self.kernel_constraint = constraints.get(kernel_constraint)
self.bias_constraint = constraints.get(bias_constraint)
self.input_spec = InputSpec(min_ndim=2)
self.supports_masking = True
def build(self, input_shape):
assert len(input_shape) >= 2
input_dim = input_shape[-1]
if self.tied_to is not None:
self.kernel = K.transpose(self.tied_to.kernel)
self._non_trainable_weights.append(self.kernel)
else:
self.kernel = self.add_weight(shape=(input_dim, self.units),
initializer=self.kernel_initializer,
name='kernel',
regularizer=self.kernel_regularizer,
constraint=self.kernel_constraint)
if self.use_bias:
self.bias = self.add_weight(shape=(self.units,),
initializer=self.bias_initializer,
name='bias',
regularizer=self.bias_regularizer,
constraint=self.bias_constraint)
else:
self.bias = None
self.built = True
def compute_output_shape(self, input_shape):
assert input_shape and len(input_shape) >= 2
assert input_shape[-1] == self.units
output_shape = list(input_shape)
output_shape[-1] = self.units
return tuple(output_shape)
def call(self, inputs):
output = K.dot(inputs, self.kernel)
if self.use_bias:
output = K.bias_add(output, self.bias, data_format='channels_last')
if self.activation is not None:
output = self.activation(output)
return output
# input_ = Input(shape=(16,), dtype=np.float32)
# encoder
#
encoded1 = Dense(4, activation="sigmoid", input_shape=(4,), use_bias=True)
decoded1 = DenseTied(4, activation="sigmoid", tied_to=encoded1, use_bias=False)
# autoencoder
#
autoencoder = Sequential()
# autoencoder.add(input_)
autoencoder.add(encoded1)
autoencoder.add(decoded1)
autoencoder.compile(optimizer="adam", loss="binary_crossentropy")
print(autoencoder.summary())
autoencoder.fit(x=np.random.rand(100, 4), y=np.random.randint(0, 1, size=(100, 4)))
print(autoencoder.layers[0].get_weights()[0])
print(autoencoder.layers[1].get_weights()[0])