是否存在可自主学习缩放标量的TensorFlow/Keras专用层？

1 原生层支持情况 #

TensorFlow/Keras 没有内置名为Scale的独立可学习缩放层，但你可以用非常轻量化的方式实现需求，全程不会引入Dense层的经典全连接运算。

2 实现方案 #

方案1：自定义可学习缩放层（最推荐） #

继承tf.keras.layers.Layer实现仅含缩放参数的自定义层，仅做逐元素标量乘法，无额外冗余计算：

import tensorflow as tf

class LearnableScaleLayer(tf.keras.layers.Layer):
    def __init__(self, output_size):
        super().__init__()
        # 初始化可学习缩放参数，默认初始值为1，适配原模型0~1的输出范围
        self.scale = self.add_weight(shape=(output_size,), initializer="ones", trainable=True)
    
    def call(self, inputs):
        return inputs * self.scale

调用方式和你示例中的逻辑完全一致：

outputs = LearnableScaleLayer(output_size)(outputs)

方案2：搭配Multiply层实现 #

你提到的sympy不需要用到，sympy仅在TFQ构建符号化量子线路阶段使用，经典数值层面的可学习缩放不需要引入sympy相关逻辑，直接用内置Multiply层配合可训练变量即可实现：

# 定义可学习缩放张量
scale = tf.Variable(initial_value=tf.ones(shape=(output_size,)), trainable=True)
# 调用Multiply层完成缩放
outputs = tf.keras.layers.Multiply()([outputs, scale])

3 TFQ适配说明 #

以上两种方案的可学习参数都会被自动纳入TensorFlow计算图做反向传播更新，和TFQ的量子模块参数完全兼容，不会引入额外的经典机器学习模块，也不会限制输出范围的调整。

内容的提问来源于stack exchange，提问作者eli44