我正在使用Keras。我的目标是建立一个自动编码器，该编码器可以学习其他每个样本的潜在代码。这是一些数学解释我的问题的方法：让zᵢ = e(xᵢ;a)为编码器，yᵢ = d(zᵢ;b)为解码器，其中xᵢ为输入，yᵢ为输出，{{1 }}是潜在代码，zᵢ，a分别是编码器和解码器的参数。正常的自动编码器训练任务是使权重b和L(.,.)，即a的损失b最小。
我想在潜在维度中添加一个附加的每个样本参数min_{a,b} L(xᵢ, d(e(xᵢ;a);b)) ∀i，也应将其最小化，即kᵢ。但是，min_{a,b,kᵢ} L(xᵢ, d(e(xᵢ;a)+kᵢ);b)和a是在b的所有样本中共享的常规模型参数，但是xᵢ应该是每个样本的参数或权重。
我想在喀拉拉邦实现这种模式。最简单的方法是使用功能性API并将kᵢ指定为Input（占位符）。我的主要问题是此输入/占位符不可训练。
这是一个最小的示例程序：
kᵢ正如评论所说，K不会被训练。有没有一种方法可以实现我想要的目标，即使import numpy as np
import keras
import keras.layers as L
from keras.models import Model
x = L.Input([2])
enc = L.Dense(1, activation='tanh')
dec = L.Dense(2, activation='tanh')
k = L.Input([1])
z = enc(x)
y = dec(L.add([z,k]))
m = Model([x,k],y)
X = np.random.randn(10,2) # my samples
K = np.random.randn(10,1) # the latent code that should be learned
m.compile('sgd', 'mse')
m.fit([X,K],X) # K won't update, obviously
可训练但将数据保留在模型之外？我知道可以使用低级后端API来完成此操作。但这要求我从根本上重新实现所有高级工具（优化器，图层等），这是我要使用keras的主要原因。