我正在实现一个自定义的密集层，其权重维度为12x12，但并非所有神经元都连接到另一层。因此，我定义了一个如下所示的投影矩阵：

projection_matrix = np.zeros((12, 12))connections = [[2, 6, 9], [4, 7, 10], [0, 6, 9], [5, 8, 11], [1, 7, 10], [3, 8, 11], [0, 2, 9], [1, 4, 10],               [3, 5, 11], [0, 2, 6], [1, 4, 7], [3, 5, 8]]for i, connection in zip(range(projection_matrix.shape[0]), connections):    for j in connection:        projection_matrix[i, j] = 1

然后，我的想法是将权重矩阵与这个投影矩阵相乘：

new_weight_matrix = np.multiply(weight_matrix, projection_matrix)  # 也可以是tf.multiply

我在查阅tf.layers.dense的文档，来自这里。有一个名为kernel_constraint的参数，其描述如下：

可选的投影函数，用于在优化器更新后应用到偏置上。

我的问题是，将projection_matrix传递给这个参数（kernel_constraint）是否能实现我想要的效果（仅连接由projection_matrix定义的特定神经元）？

回答：

对你问题的回答是：不行。

这个参数在优化器更新后对你的内核（或偏置）应用投影。当你希望你的变量属于某个特定子域时使用。例如，在优化器更新后，变量会被重新投影到可行子域内。

例如，如果你希望你的内核在[0,1]范围内，你可以构建一个这样的kernel_constraint：

def custom_kernel_constraint(var):    return tf.math.maximum(tf.math.minimum(var, 1.), 0.)

我不知道你的具体用例，但如果你需要在调用dense时实现这种断开连接，你可以这样定义kernel_constraint：

def disconnection_kernel_constraint(var):    return tf.multiply(var, projection_matrix)

然而，你必须记得在初始化内核时，也要使用常量初始化器，将一个随机内核与你的投影矩阵相乘，否则第一次计算将不会有断开连接（因为投影仅在优化器更新之后应用）。

例如，作为参数

kernel_initializer= tf.constant_initializer(tf.multiply(tf.random_normal(shape=[12,12]),projection_matrix))

我认为这比在代码中显式使用tf.multiply要稍微复杂一些，但这取决于你的需求。