Keras同形状元素级加权求和自定义层实现报错求助

首先咱们拆解下你遇到的核心问题：

• 触发TypeError的原因是你用K.placeholder(None)定义self.output_dim，这是一个浮点型张量，但add_weight的shape参数只接受整数或整数型形状元组，用占位符张量自然会报错。
• 你想要输入、权重、输出形状完全一致，根本不需要提前指定固定输出维度，只需要让权重形状和输入的特征维度匹配即可，完全没必要走官方示例里扁平化的全连接逻辑。

下面是修正后的完整代码，我会同步解释关键改动：

from keras.engine.topology import Layer
import keras.backend as K

class ElementwiseWeightedSumLayer(Layer):
    def __init__(self, **kwargs):
        # 不需要提前定义output_dim，输出形状和输入完全一致
        super(ElementwiseWeightedSumLayer, self).__init__(**kwargs)

    def build(self, input_shape):
        # 权重形状和输入的特征维度匹配（跳过第一个batch维度input_shape[0]）
        weight_shape = input_shape[1:]
        # 创建和输入同形状的可训练权重
        self.kernel = self.add_weight(
            name='kernel',
            shape=weight_shape,
            initializer='uniform',
            trainable=True
        )
        super(ElementwiseWeightedSumLayer, self).build(input_shape)

    def call(self, x):
        # 这里实现元素级加权：如果是加权相乘就用*x，如果是加权重就用+
        # 两种操作都能保持输出形状和输入一致，按需调整即可
        return x * self.kernel

    def compute_output_shape(self, input_shape):
        # 输出形状和输入完全相同，直接返回input_shape
        return input_shape

关键改动说明： #

1. 移除错误的output_dim占位符：这是导致你报错的核心原因，既然要保持输入输出形状一致，完全不需要用占位符提前定义维度。
2. 权重形状匹配输入特征：用input_shape[1:]获取输入的特征形状（跳过batch维度），这样权重就能和输入的每个元素一一对应，实现纯元素级操作。
3. 简化输出形状计算：因为是元素级操作，输出形状和输入完全一致，直接返回input_shape即可。
4. 明确加权逻辑：你原代码写的是x + self.kernel，如果是标准的加权求和，通常是元素级相乘（x * self.kernel），如果确实是需要加权重，直接替换回x + self.kernel就行，两种操作都能保持形状不变。

快速验证这个层： #

你可以用下面的代码测试，确认输出形状和输入一致：

from keras.models import Sequential
from keras.layers import InputLayer

# 定义输入形状为(None, 5)，即batch不固定，每个样本有5个特征
model = Sequential()
model.add(InputLayer(input_shape=(5,)))
model.add(ElementwiseWeightedSumLayer())

model.summary()

查看summary会发现，输出形状和输入一样是(None, 5)，完全符合你的需求。

内容的提问来源于stack exchange，提问作者hirschme