Keras中的自动编码器：在训练和预测时如何实现Keras层的不同输出？

Question

我们正在TF 2.0中实现标题为“ [Variational Autoencoders for Collaborative Filtering”的论文。[TF]中给出了上述论文在TF 1.0中的示例实现。

本文提出了一种用于协作过滤的变分自动编码器的实现。作为编码器的输出，它在训练网络时使用重新参数化技巧

对潜矢量Z进行采样。

重新参数化技巧

对ϵ〜N（0，IK）进行采样，并将潜在向量Z重新参数化为：Zu = µϕ（xu）+ ⊙σϕ（xu）其中，μϕ和σϕ是根据编码器的输出计算得出的。

但是，在预测时，论文建议仅使用µϕ

进行采样[[Z。在我们的实现中，我们使用了自定义

tf.keras.layers.Layer

来采样潜矢量Z。以下是该体系结构的代码：here

现在，我正在寻找一种在预测时更改自定义
重新参数化层

的实现的方法，以仅使用µϕ（Z_mu）进行采样Z，从而实现上述论文提出了什么。或者如果在Tf 2.0中还有另一种方法，请推荐。

我们正在TF 2.0中执行标题为“用于协同过滤的可变自动编码器”的论文。此处给出了TF 1.0中上述论文的示例实现。本文提出了一个...

Answer 1

您可以做：