python - 在 python 中更新神经网络的输入层
问题描述
我有一个有两个输入层的网络,第一个是图像数据(例如 MNIST),第二个是辅助向量,
A_vec = np.random.normal(mu, sigma, (1, n_d))
A_vec1=np.tile(A_vec, (size_1, 1))
image_inputs = Input(shape=(original_dim,),name='Image_Inputs')
A_inputs = Input(shape=(n_d,),name='A_Inputs')
inputs = keras.layers.concatenate([image_inputs, A_inputs],name='Inputs')
.......中间层......
Image_Outputs= Dense(
original_dim,
activation='sigmoid',
name='Image_Outputs')(intermediate layers)
A_Outputs= Dense(
n_d,
activation='sigmoid',
name='A_Outputs')(intermediate layers)
outputs = keras.layers.concatenate([Image_Outputs, A_Outputs],name='Outputs')
在这里,A_vec
在初始化中为A_inputs
. 但是,我想通过使用A_Outputs
. 我的意思是在第一次迭代之后,我需要使用 的估计值A_Outputs
作为第二个时期的更新值,A_inputs
并在下一个时期使用相同的过程。在Tensorflow、Keras或pytorch中有什么方法可以做到这一点吗?