TensorFlow神经网络自定义连接与权重约束的实现报错求助

错误原因分析 #

你的代码报错核心是张量形状不匹配：

• tf.zeros(4,1)写法错误，需传入元组tf.zeros((4,1))，否则生成的是1维张量而非2维
• 权重矩阵索引逻辑有误，你取了第二列的前4个值，但实际应取第一列的前4个值来复用
• concat操作时，不同张量维度不统一，导致拼接失败

正确的自定义权重约束实现 #

根据你的需求：

• 前4个输入仅作用于第一个隐藏层神经元 → 第一个神经元的后4个权重设为0
• 后4个输入仅作用于第二个隐藏层神经元 → 第二个神经元的前4个权重设为0
• 满足w₁=w₅、w₂=w₆、w₃=w₇、w₄=w₈ → 第二个神经元的后4个权重等于第一个神经元的前4个权重

修正后的代码如下：

import tensorflow as tf
from tensorflow.keras import layers

class EqualWeights(tf.keras.constraints.Constraint):
    def __call__(self, w):
        # w的形状是(8, 2)：8个输入特征 × 2个神经元
        # 提取第一个神经元的前4个有效权重
        first_neuron_weights = w[:4, 0]
        # 构建第一个神经元的完整权重：前4个保留，后4个设为0
        first_col = tf.concat([first_neuron_weights, tf.zeros(4)], axis=0)
        # 构建第二个神经元的完整权重：前4个设为0，后4个复用第一个神经元的前4个权重
        second_col = tf.concat([tf.zeros(4), first_neuron_weights], axis=0)
        # 拼接成(8,2)的权重矩阵
        return tf.stack([first_col, second_col], axis=1)

model = tf.keras.Sequential([
    layers.Dense(2, input_shape=(8,), activation='linear', kernel_constraint=EqualWeights()),
    layers.Dense(10, activation='relu'),  # 按需求将原代码的20修正为10
    layers.Dense(1)
])

model.compile(optimizer='adam',
              loss='mean_squared_error',
              metrics=['accuracy'])

# 可运行以下代码验证权重约束效果
# model.build(input_shape=(None,8))
# print(model.layers[0].kernel.numpy())

关键修正点 #

• 用tf.stack替代多次concat，更简洁地构建2维权重矩阵
• 修正tf.zeros的参数格式，确保所有张量维度统一
• 调整权重索引逻辑，准确复用前4个输入的权重值到第二个神经元的后4个位置

内容的提问来源于stack exchange，提问作者baronett