如何创建含可训练权重的Keras层？附自定义层及修复方案

我来帮你搞定这个自定义Keras层的问题～先看看你提供的代码片段，里面有几个小问题需要修正，下面是具体的修复步骤和完整代码：

原始代码的问题点 #

你写的代码里有两处关键问题：

• RandomNormal初始化器的参数拼写错误：stdd...应该是stddev，这是Keras里指定正态分布标准差的标准参数名；
• 自定义层的build方法没有调用父类的build方法，这会导致Keras无法正确完成层的初始化流程。

修复后的完整代码 #

from tensorflow.keras.layers import Layer
from tensorflow.keras.initializers import RandomNormal

class Multed_Weights(Layer):
    def __init__(self, input_dim, output_dim, **kwargs):
        self.output_dim = output_dim
        self.input_dim = input_dim
        super(Multed_Weights, self).__init__(**kwargs)
    
    def build(self, input_shape):
        # 为该层创建可训练权重变量
        self.kernel = self.add_weight(
            name='kernel',
            shape=(self.input_dim, self.output_dim),
            initializer=RandomNormal(mean=0., stddev=0.01),  # 修正拼写错误，补充合理的标准差数值
            trainable=True  # 显式声明权重可训练，默认也是True，加上更清晰
        )
        super(Multed_Weights, self).build(input_shape)  # 调用父类build方法完成初始化
    
    def call(self, inputs):
        # 实现层的前向传播逻辑，这里给出矩阵乘法示例，可按需修改
        return inputs @ self.kernel

修复细节说明 #

• 修正初始化器参数：把截断的stdd...改成正确的stddev，并给了一个常用的标准差0.01，你可以根据自己的模型需求调整这个数值；
• 添加父类build调用：这一步很重要，Keras需要通过父类的build方法来确认层已经完成权重初始化，避免后续使用时抛出未构建的错误；
• 补充call方法：自定义Keras层必须实现call方法来定义前向计算逻辑，这里写了最基础的矩阵乘法，你可以换成自己需要的运算逻辑；
• 显式声明trainable：虽然默认就是可训练状态，但写出来能让代码更清晰，明确这个权重会参与模型训练。

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