在缺少数据的神经网络中训练嵌入图层

Question

我有一个我想用keras培训的神经网络。 该网络的第一层是一个名为E的嵌入层，它将分类特征映射到向量中。

然后，此嵌入图层的输出将映射到另一个图层，我们将调用L。

但有时，可能会错过此功能的价值。 所以我想：

• 在预测阶段，当错过要素的值时，将E投影到L特征向量表示的平均值。
• 在训练阶段，当缺少此值的输入时，不要更新特征向量表示的权重。

是否可以使用eras完成此任务？

修改

更确切地说，我的模型如下：我有两个分类输入，然后是

model_left = Sequential()
model_left.add(Embedding(FirstCategorical_count, 60, input_length=1))
model_right = Sequential()
model_right.add(Embedding(SecondCategorical_count, 60, input_length=1))
model = Sequential()
model.add(Merge([model_left, model_right], mode='concat'))
model.add(Flatten())
model.add(Dense(32))
model.add(Activation('sigmoid'))
model.add(Dense(1))

其中FirstCategorical_count和SecondCategorical_count是两个输入的词汇量。两个输入都可能丢失，或者都没有，或者只有一个。