我想为回归任务构建一个全连接（密集）层。我通常使用TF2和Keras API来完成，如下所示：

model = tf.keras.models.Sequential()model.add(tf.keras.layers.Dense(units=2, activation='sigmoid', input_shape=(1, )))model.add(tf.keras.layers.Dense(units=2, activation='linear'))model.compile(optimizer='adam', loss='mae')model.fit(inp_data, out_data, epochs=1000)

现在我想构建一个自定义层。这个层由10个单元组成，其中8个单元具有预定义的、固定的、不可训练的权重和偏置，另外2个单元具有随机选择的权重和偏置，由网络进行训练。有人知道如何在TensorFlow中定义它吗？

回答：

Keras层可以接收一个trainable参数，默认为True，以指示是否希望它们被训练。不可训练的层将保持初始化器赋予的值。如果我理解正确的话，你想要一个部分可训练的层。这在现有层中是不可能的。也许你可以通过自定义层类来实现，但你可以通过使用两个简单的层然后将它们连接起来来获得等效的行为（只要你的激活函数是逐元素工作的，即使不是，像在softmax层中，你也可以在连接后应用激活函数）。这可能是可行的方法：

inputs = tf.keras.Input(shape=(1,))# 这是层的可训练部分layer_train = tf.keras.layers.Dense(units=8, activation='sigmoid')(inputs)# 这是层的不可训练部分layer_const = tf.keras.layers.Dense(units=2, activation='sigmoid', trainable=False)(inputs)# 合并两个部分layer = tf.keras.layers.Concatenate()([layer_train, layer_const])# 构建模型model = tf.keras.Model(inputs=inputs, outputs=layer)# ...