我正在尝试在Keras中创建自己的自定义激活函数，当x < 0时返回0，当x >= 0时返回1

 from keras.layers import Dense from keras.models import Sequential from keras.layers import Activation import tensorflow as tfdef hard_lim(x):     zero = tf.convert_to_tensor(0., x.dtype.base_dtype)     one = tf.convert_to_tensor(1., x.dtype.base_dtype)     sess = tf.Session()     if sess.run(tf.greater_equal(x, zero)):         return one     else:         return zero     model = Sequential()     model.add(Dense(4, input_dim=2, activation=Activation(hard_lim))     model.add(Dense(2, activation=Activation(hard_lim))     model.add(Dense(1, activation=Activation(hard_lim))

这导致了以下错误

 InvalidArgumentError (see above for traceback): You must feed a value            for placeholder tensor '1_input' with dtype float and shape [?,2]

我该如何修复这个问题？

回答：

警告：你想要的这个操作没有梯度，并且将无法使其之前的任何权重可训练。你会看到类似于“操作的梯度为None”或“None类型不受支持”之类的错误信息。

作为你激活函数的变通方法，我认为’relu’激活函数是最接近且最佳的选择，它的优点是非常流行且在大多数模型中使用。

在Keras中，你通常不运行会话。对于自定义操作，你使用后端函数创建一个函数。

因此，你可以使用Lambda层：

import keras.backend as Kdef hardlim(x):   return K.cast(K.greater_equal(x,0), K.floatx())

然后你可以在层中使用activation=hardlim。