python - 在 python 中更新神经网络的输入层

Question

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？

标签： pythontensorflowkeraspytorchkeras-layer