如何在Keras中构建N×N二维权重矩阵？

我太懂你的困扰了——Keras的Dense层确实是围绕输入输出维度映射设计的，没法直接定义一个独立的N×N可训练矩阵，硬凑Lambda+Embedding的路子又不兼容系统要求。这里给你两个亲测可行的方案，完全贴合Keras的规范：

方案1：自定义专属层创建N×N可训练矩阵 #

这是最稳妥的方式，通过继承tf.keras.layers.Layer自定义一个层，在层内初始化你需要的N×N可训练权重，系统会自动将其纳入训练流程：

import tensorflow as tf

class TrainableNxNMatrix(tf.keras.layers.Layer):
    def __init__(self, matrix_size, **kwargs):
        self.matrix_size = matrix_size
        super(TrainableNxNMatrix, self).__init__(**kwargs)
    
    def build(self, input_shape):
        # 初始化N×N可训练矩阵，这里用随机正态初始化，你可以替换成其他初始化方式
        self.X = self.add_weight(
            shape=(self.matrix_size, self.matrix_size),
            initializer='random_normal',
            trainable=True,
            name='trainable_NxN_matrix'
        )
        super(TrainableNxNMatrix, self).build(input_shape)
    
    def call(self, inputs):
        # 若需要用这个矩阵和输入做运算，直接在这里加逻辑即可
        # 比如 return tf.matmul(inputs, self.X)
        return self.X

# 使用示例
n = 5
model = tf.keras.Sequential()
model.add(TrainableNxNMatrix(matrix_size=n))

# 构建模型并查看权重
model.build(input_shape=(None,))  # 自定义层无需特定输入，先完成构建
print(model.weights)

这个方案的优势是完全符合Keras的层标准，不管是训练、保存还是加载模型，这个矩阵都会被正确处理，不会出现兼容性问题。

方案2：用Lambda层封装可训练变量（轻量快捷） #

如果不想写自定义层，也可以直接用Lambda层包装一个可训练变量，注意要把变量初始化放在Lambda层外面，确保被Keras追踪：

import tensorflow as tf
from tensorflow.keras import backend as K

n = 5
# 初始化N×N可训练变量
X = K.variable(tf.random.normal(shape=(n, n)), name='trainable_NxN_matrix')

# 用Lambda层将变量包装成模型组件
matrix_layer = tf.keras.layers.Lambda(lambda x: X)

# 构建模型
model = tf.keras.Sequential()
model.add(matrix_layer)

# 验证输出
print(model.predict(tf.random.normal((1, 1))))

不过这个方案要注意：如果需要保存加载模型，要确保这个变量被正确序列化。相比自定义层，第一种方案在模型持久化上更可靠。

额外小贴士 #

• 如果需要用这个N×N矩阵和模型其他输入做运算，比如矩阵乘法，直接在自定义层的call方法或Lambda的函数逻辑里添加对应代码即可。
• 初始化方式可以按需替换，比如'glorot_uniform'、'zeros'或者自定义初始化器。

内容的提问来源于stack exchange，提问作者user1581390