TensorFlow 2.x Keras自定义复数值权重初始化报错求助

嘿，这个问题我之前也碰到过！核心原因是Keras默认的Dense层是为实值张量设计的——它会默认将权重的数据类型设为float32，但你的初始化器返回了complex64类型的张量，类型不匹配就触发了ValueError。要解决这个问题，我们需要自定义一个支持复值运算的Dense层，让它能兼容复数值的权重初始化。

具体解决步骤 #

1. 自定义复值Dense层 #

默认Dense层的内部运算逻辑是针对实值张量的，所以我们需要自己实现一个ComplexDense层，明确处理复值权重和复值运算：

import tensorflow as tf
from tensorflow.keras import layers, Sequential
from tensorflow.keras import backend as K

# 你的自定义复值激活函数（示例）
def myrelu(z):
    real = tf.nn.relu(tf.math.real(z))
    imag = tf.nn.relu(tf.math.imag(z))
    return tf.complex(real, imag)

# 你的自定义实值损失函数（示例）
def mse_error(y_true, y_pred):
    real_loss = tf.reduce_mean(tf.square(tf.math.real(y_true) - tf.math.real(y_pred)))
    imag_loss = tf.reduce_mean(tf.square(tf.math.imag(y_true) - tf.math.imag(y_pred)))
    return (real_loss + imag_loss) / 2

# 自定义复值权重初始化器
def complex_weight_initializer(shape, dtype=None):
    # 确保dtype是复值类型，默认用complex64
    dtype = dtype or tf.complex64
    # 实部用均匀分布，虚部用正态分布
    real = K.random_uniform(shape, dtype=dtype.real_dtype)
    imag = K.random_normal(shape, dtype=dtype.real_dtype)
    return tf.complex(real, imag)

# 自定义支持复值的Dense层
class ComplexDense(layers.Layer):
    def __init__(self, units, activation=None, kernel_initializer=complex_weight_initializer, **kwargs):
        super().__init__(**kwargs)
        self.units = units
        self.activation = activation
        self.kernel_initializer = kernel_initializer

    def build(self, input_shape):
        # 初始化复值内核权重，指定dtype为complex64
        self.kernel = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer=self.kernel_initializer,
            dtype=tf.complex64,
            name='complex_kernel'
        )
        # 初始化复值偏置
        self.bias = self.add_weight(
            shape=(self.units,),
            initializer=self.kernel_initializer,
            dtype=tf.complex64,
            name='complex_bias'
        )
        super().build(input_shape)

    def call(self, inputs):
        # 执行复值矩阵乘法：inputs @ kernel + bias
        output = tf.matmul(inputs, self.kernel) + self.bias
        if self.activation is not None:
            output = self.activation(output)
        return output

2. 构建并训练复值网络 #

现在用自定义的ComplexDense层代替默认Dense层来构建模型，同时注意修正输入维度的错误：

# 假设x_train和y_train是复值张量（如果是实值可先用tf.complex转换）
model_new = Sequential()
# 注意：input_dim应该是输入特征的数量，不是样本数！你原来的input_dim=x_train.shape[0]是错误的
model_new.add(ComplexDense(20, input_shape=(x_train.shape[1],), activation=myrelu))
model_new.add(ComplexDense(10, activation=myrelu))
model_new.add(ComplexDense(y_train.shape[1], activation=myrelu))

model_new.compile(loss=mse_error, optimizer='adam', metrics=['accuracy'])
model_new.summary()

关键注意点 #

• 输入输出的类型：确保你的x_train和y_train是复值张量，如果原本是实值数据，可以用tf.complex(real_part, tf.zeros_like(real_part))转换（虚部为0的复值张量）。
• 模型输入维度：你原来代码里的input_dim=x_train.shape[0]是错误的——input_dim或input_shape应该对应输入特征的数量，也就是x_train.shape[1]（假设x_train形状为(样本数, 特征数)）。

内容的提问来源于stack exchange，提问作者Isayiyas Nigatu