我正在尝试实现一个特定的自定义层。然而，当我运行它时，一切正常，没有任何错误，但在编译和拟合后却没有“训练”。也就是说，输出的结果和输入的相同…

  class Reconfiguration_unit(K.layers.Layer):    def __init__(self, *args, **kwargs):        super(Reconfiguration_unit, self).__init__(*args, **kwargs)  def build(self, input_shape):    self.weight = self.add_weight(shape=[input_shape[1],input_shape[1]],                                 initializer='zeros',                                trainable=True)    self.bias = self.add_weight(shape=[input_shape[1],input_shape[1]],                                 initializer='zeros',                                trainable=True)    self.location = self.add_weight(shape=input_shape[1:],                                initializer='zeros',                                trainable=True)    self.scale = self.add_weight(shape=input_shape[1:],                                initializer='zeros',                                trainable=True)def call(self, x):    # 1. 平移和缩放数据    x_shift = x - self.location    # 2. 分量重新缩放    x_mod = tf.math.multiply(x_shift,self.scale)    # 3. 分量应用凹凸函数    x_in_abs = tf.math.abs(x_mod)    Logic_x_leq1 = tf.math.sign(tf.keras.activations.relu(1-x_in_abs)) # 当|x|<=1时取值1，否则为0：由于|x|=1的概率为0，我们应该没问题    x_thresheld = Logic_x_leq1*tf.math.exp(-1/(1-tf.math.pow(x_in_abs,-1))) # 在阈值处计算凹凸函数，使用之前的逻辑    # 4+5. 在切线空间中应用平移并对角化    x_out = tf.linalg.diag(x_thresheld) + self.bias     # 6. 在切线空间中乘以权重矩阵    x_out = tf.matmul(x_out,self.weight)     # 7. 应用矩阵指数    x_out = tf.linalg.expm(x_out)    # 8. 乘以（1）的输出    x_out = tf.linalg.matvec(x_out,x_shift)    # 9. 重新居中转换后的数据    x_out = x_out + self.location    # 返回输出    return x_out

回答：

你绝对不应该（我是说，绝对不应该...）将权重初始化为零！这种做法可以用于偏置，但绝不能用于权重。

看看可用的初始化器 - 我强烈建议使用GlorotUniform（它之所以是Keras核心层的默认初始化器绝非偶然）或GlorotNormal。

另外，location和scale参数的作用不太清楚 - 你可能也应该用非零值来初始化它们。