我正在尝试在Keras中创建一个自定义的密集层，以将权重绑定到自动编码器中。我已经尝试过在卷积层here中执行此操作的示例，但是似乎某些步骤不适用于Dense层（同样，代码来自两年多以前）。
通过绑定权重，我希望解码层使用编码层的转置权重矩阵。 this article（第5页）中也采用了这种方法。以下是文章的相关引用：
在这里，我们将编码和解码激活函数都选择为S型函数，并且仅考虑 约束权重情况，其中W'= W T （其中W T 是个 将W）转置为大多数现有的深度学习方法
在上面的引用中， W 是编码层中的权重矩阵，而 W'（等于 W 的转置）是解码层中的权重矩阵。
我在致密层的变化不大。我在构造函数中添加了一个tied_to参数，该参数允许您传递要绑定到的图层。唯一的其他更改是对build函数的更改，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
下面是__init__方法，这里唯一的变化是添加了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函数尚未编辑，但在下面供参考。
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，如果已设置，则将该层的内核设置为tied_to层内核的转置。
下面是用于实例化模型的代码。这是使用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)
如您所见，autoencoder.get_weights()报告的权重似乎并不紧密。
因此，在展示了我的方法之后，我的问题是，这是在Dense Keras层中绑定权重的有效方法吗？我能够运行代码，并且当前正在培训中。损失函数似乎也在合理减少。我担心这只会在构建模型时将它们设置为相等，而实际上并不会约束它们。我希望后端transpose函数通过幕后的引用将它们绑定在一起，但是我确信我会丢失一些东西。
答案 0 :(得分：2)
感谢Mikhail Berlinkov， 重要提示：该代码在Keras下运行，但在TF2.0中不在急切模式下运行。它可以运行，但是训练效果很差。
关键是对象如何存储转置的权重。 self.kernel = K.transpose（self.tied_to.kernel）
在非紧急模式下，这将以正确的方式创建图形。在热切模式下，此操作失败，可能是因为转置变量的值存储在build（==第一次调用）中，然后在后续调用中使用。
但是：解决方案是在构建时不更改地存储变量， 并将移调操作放入call方法中。
我花了几天的时间来解决这个问题，如果能帮助任何人，我感到很高兴。
答案 1 :(得分：1)
因此，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？
是的，有效。
我担心的是，这只会在构建模型时将它们设置为相等，而实际上不会将它们绑定在一起。我希望后端转置功能通过幕后的引用将它们绑定在一起，但是我确定我会丢失一些东西。
它实际上将它们绑在一个计算图中，您可以在打印model.summary()时检查一下这些可训练砝码只有一个副本。另外，训练模型后，您可以使用model.get_weights()检查相应层的权重。构建模型后，实际上还没有权重，只是它们的占位符。
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])