我有一个模型，其中包含“分类”和“回归”类似的部分。我使用乘法层将它们合并。在执行乘法之前，我想根据阈值将分类部分的输出设置为0或1。我尝试使用带有自定义函数的Lambda层，如下所示，但遇到了各种错误，我对这些错误一无所知。逐一解决它们并不能增加我的理解。谁能解释如何定义一个自定义的Lambda层函数来修改这些值？

我当前的Lambda层函数：（由于FailedPreconditionError: Attempting to use uninitialized value lstm_32/bias而无法工作）

def func(x):        a = x.eval(session=tf.Session())    a[x < 0.5] = 0    a[x >= 0.5] = 1    return K.variable(a)

回归部分：

input1 = Input(shape=(1, ))model = Sequential()model.add(Embedding(vocab_size + 1, embedding, input_length=1))model.add(LSTM(hidden, recurrent_dropout=0.1, return_sequences=True))model.add(LSTM(6))model.add(Reshape((3,2)))model.add(Activation('linear'))

分类部分：

input2 = Input(shape=(1, ))model2 = Sequential()model2.add(Embedding(vocab_size + 1, embedding, input_length=1))model2.add(LSTM(hidden, recurrent_dropout=0.1, return_sequences=True))model2.add(LSTM(1))model2.add(Activation('sigmoid'))model2.add(???)  # 需要在这里添加0-1阈值处理

合并两个部分：

reg_head = model(input1)clf_head = model2(input2)    merge_head = multiply(inputs=[clf_head, reg_head])m2 = Model(inputs=[input1, input2], outputs=merge_head)

回答：

在func中，你不能对张量进行eval操作。

使用张量的理念是它们在整个模型中从头到尾保持“连接”（他们称之为图）。这种连接允许模型计算梯度。如果你对张量进行评估并尝试使用这些值，你会破坏这种连接。

此外，要获取张量的实际值，你需要输入数据。只有在你调用fit、predict等类似方法时，输入数据才存在。在构建阶段没有数据，只有表示和连接。

一个仅使用张量的可能函数是：

def func(x):    greater = K.greater_equal(x, 0.5) #将返回布尔值    greater = K.cast(greater, dtype=K.floatx()) #将布尔值转换为0和1        return greater 

但要小心！这将不可微分。从现在开始，这些值将在模型中被视为常量。这意味着在此之前的权重在训练期间不会被更新（你将无法通过m2训练分类模型，但你仍然可以通过model2训练它）。如果需要的话，有一些高级的解决方法，请在评论中说明。

在Lambda层中使用这个函数：

model.add(Lambda(func, output_shape=yourOutputShapeIfUsingTheano))