如何在 Keras 中强制不同层的权重相等？答案

【问题标题】：How can you force weights of different layers to be equal in Keras?如何在 Keras 中强制不同层的权重相等？
【发布时间】：2018-02-23 15:04:01
【问题描述】：

有没有办法在 Keras 中训练模型时强制不同层的权重相等？更清楚地说，如果我有一个像这样的 5 层模型：

inputlayer = Dense(units=40, activation='relu', input_dim=20)
hidden1 = Dense(units=40, activation='relu')(inputlayer)
hidden2 = Dense(units=5,activation='relu')(hidden1)
hidden3 = Dense(units=40,activation='relu')(hidden2)
hidden4 = Dense(unites=40,activation='relu')(hidden3)
outputlayer = Dense(units=20,activation='relu')(hidden4)

我希望输入层和输出层的权重相同，对于 hidden1 和 hidden4 以及 hidden2 和 hidden3 也是如此。我意识到它们的尺寸是不同的，即输入层是（20,40）而输出层是（40,20），所以我需要一种方法来实例化这些层，以便它们的权重被绑定但也被转置。我怎样才能做到这一点？谢谢

【问题讨论】：

你应该阅读这部分文档：keras.io/getting-started/functional-api-guide/#shared-layers
Matias 的回答解决了这个问题。但想知道为什么你会想要这样做？使用多层网络的目的是学习不同级别的抽象/表示。通过固定层的权重，我认为它不会比单层更好。
我想这样做的原因是我正在构建一个模型，我希望输入和输出层的权重绑定，而 2 个外部隐藏层的权重绑定。尺寸不会相同，但可能会转置。例如，输入层可能有 input_dim = 20 和 80 个节点，而输出层有输出 dim=20 和 80 个节点。在这种情况下是否可以捆绑他们的权重？
我将编辑我的问题，以更清楚地说明我想做什么。

标签： python tensorflow keras

【解决方案1】：

这对于函数式 API 来说非常简单，您只需要做：

layer = Dense(units=40, activation='relu', name="one")
n1 = layer(someInput)
n2 = layer(someOtherInput)

您创建一个图层实例，然后给它两个不同的输入。当您两次调用该层时，两个实例具有相同的权重。

【讨论】：

谢谢。我正在尝试制作一个有 5 层的模型。我希望输入和输出层的权重绑定，并且 2 个外部隐藏层的权重绑定。我怎样才能用你提供的代码做到这一点？
假设我想创建两个层，其中一层中的权重是另一层中权重的转置。我怎么能这样做？