У меня следующая сетевая архитектура (ниже показана только соответствующая часть сети)
vocab_dimension = 1500
embed_dimension = 10
x = [Input(shape=(None, ), name='input', dtype='int32'),
Input(shape=(None, ), name='weights'),
Input(shape=(None, ), name='neg_examples', dtype='int32')]
embedding_layer = Embedding(input_dim=vocab_dimension, output_dim=embed_dimension)
def _weighted_sum(x):
return K.sum(x[0] * K.expand_dims(x[1], -1), axis=1, keepdims=True)
weighted_sum = Lambda(_weighted_sum, name='weighted_sum')
item_vecs = embedding_layer(x[2])
user_vecs = weighted_sum([embedding_layer(x[0]), x[1]])
Проблема здесь в том, что я хотел бы не передавать веса в качестве входных данных, но я бы хотелнравится «изучать» их, как в слое внимания.
Я знаю, что слои внимания могут быть созданы таким образом
attention_probs = Dense(h, activation='softmax', name='attention_probs')(x[0])
weighted_sum = Lambda(_weighted_sum)([x[0], attention_probs])
h
равно измерению длинывход, который я установил на 5. Однако, если я делаю выше, я получаю следующую ошибку TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'
Я думаю, что это связано с размерами входных параметров, но я не уверенкак это исправить.