我想编写自己的 keras 层，将形状为 (nb_batch, input_dim) 的张量作为输入，并生成形状为 (nb_batch, context_size, output_dim) 的张量。我在下面写了一个演示：

当我运行它时，出现错误“TypeError：build() 恰好需要 2 个参数（给定 1 个）”enter code here

我正在尝试为 Keras 博客https://blog.keras.io/building-autoencoders-in-keras.html上的卷积自动编码器运行以下代码。但是，我收到一条错误消息：

给定错误消息，我打印出来的解码的维度是(?, 4, 28, 1)，这似乎是模型所期望的。谢谢您的帮助。

在本博客中包含的自动编码器示例中，作者构建了一个隐藏层，如下所示。

我可以理解上面的部分是如何工作的，但是我对下面构建解码器部分的部分感到困惑

具体来说，我认为decoder应该定义为decoder = Model(input=encoded, output=decoded). 我不明白为什么我们必须引入额外的变量encoded_input。根据自动编码器模型，我们只是将编码部分解码为输出，因此解码器层的输入应该是encoded. 此外，如果解码器模型如上定义，为什么编码器没有定义为encoder=Model(input=input_img, output=autoencoder.layers[0](input_img))？

我想建立一个网络，对于给定的输入，预测一天中的时间。结果应在 0 到 24 的范围内。

我试图将其作为分类问题来解决，但这似乎不是正确的方法。我的问题是我不知道如何构建循环损失函数。例如，在我的情况下，如果网络的输出为 1，而真正的标签为 23，我希望距离为 2 而不是 22。是否有我可以使用的层？

我正在与 Keras 合作执行句子相似性任务（使用 STS 数据集）并且在合并图层时遇到问题。数据由 1184 个句子对组成，每个句子对得分在 0 到 5 之间。下面是我的 numpy 数组的形状。我已将每个句子填充为 50 个单词，并使用 100 维的手套嵌入将它们贯穿和嵌入层。合并两个网络时出现错误..

这是我的代码的样子

我正在尝试采用模型（旧模型）中的最后一层，并制作一个只有一层（新模型）的新模型，其参数与旧模型的最后一层完全相同。我想以一种不知道旧模型的最后一层的方式来做到这一点。我正在尝试使用此代码执行此操作，但出现错误。

这会产生以下错误：

如果我检查 oldModel 中的最后一层，它会显示：

我尝试将 output_dim 添加到我以这种方式复制的参数列表中，但这似乎没有帮助。当我这样做时，它给了我这个错误：

知道我在这里做错了什么吗？

这个Keras conv_filter_visualization示例为 VGG-16 网络的第 5 层输出一个 8x8 的可视化权重网格。代码通过了 512 个过滤器中的 128 个，并可视化了损失最高的那些过滤器的权重。输出示例在这里。

为什么网格中的每个单元格的尺寸都是 128x128 像素？

VGG 的第 5 层，具有三个 512x3x3 过滤器：

第 5 座

我对如何将这些可视化为 128x128 像素单元感到困惑。

我在 keras 中有使用图形结构的自定义层模型。我想在每对现有层之间添加一个中间层。该层的作用将是添加一些类似于 keras 提供的 GaussianNoise 层的噪声。我想操纵上一层的权重，然后将其馈送到下一层。

我的问题是我无法理解如何从前一层获取这些权重。我以 GaussianNoise 层为例。调用方法定义为：

'x' 是一个 TensorVariable，它没有关于权重的信息。我怎样才能在这个中间层内获得重量？

谢谢

我正在尝试实现一个配对学习，以使用由深度神经网络计算特征的 keras 对模型进行排名。

在成对 L2R 模型中，在训练时，我给出了查询，一个肯定的结果，一个否定的结果。并通过特征向量的差异对分类损失进行训练。

我能够成功地编译和拟合模型，但问题是在测试数据上实际使用这个模型。与 Pairwise L2R 模型一样，在测试时我只有查询和样本对（没有单独的负数和正数）。我可以使用 softmax 之前的计算值对样本进行排序。

有什么方法可以使用 keras 在测试时通过特定的训练层手动传递数据。（简而言之，我在训练时有 3 组输入，在测试时有 2 组。）

我在这里测试 Keras 的作者的卷积自动编码器： https ://blog.keras.io/building-autoencoders-in-keras.html

但我有这个问题：

我准确地说，我已经在最后一个 conv 层中设置了字段 'border_mode='same''。所以我真的不知道它来自哪里..这是摘要：