我在 keras 中使用子类化解决了这个问题。代码如下所示：

class Wt_Add(keras.layers.Layer):
def __init__(self, units=1, input_dim=1):
    super(Wt_Add, self).__init__()
    w_init = tf.random_normal_initializer()
    self.w1 = tf.Variable(
        initial_value=w_init(shape=(input_dim, units), dtype="float32"),
        trainable=True,
    )
    self.w2 = tf.Variable(
        initial_value=w_init(shape=(input_dim, units), dtype="float32"),
        trainable=True,
    )  
    self.w3 = tf.Variable(
        initial_value=w_init(shape=(input_dim, units), dtype="float32"),
        trainable=True,
    )       

def call(self, input1, input2, input3):
    return tf.multiply(input1,self.w1) + tf.multiply(input2, self.w2) + tf.multiply(input3, self.w3)

用法：

wt_add = Wt_Add(1,1)
sum_layer = wt_add(input1, input2, input3)

您对图层有以下基本操作：

• tf.keras.layers.Lambda所以你可以用一个简单的 lambda 操作将你的 3 层中的每一层相乘

layer1 =  tf.keras.layers.Lambda(lambda x: x * weight1)(layer1)
layer2 =  tf.keras.layers.Lambda(lambda x: x * weight2)(layer2)
layer3 =  tf.keras.layers.Lambda(lambda x: x * weight3)(layer3)

然后是tf.keras.layers.Average允许平均层的：

average_layer = tf.keras.layers.Average()([layer1, layer2, layer3])

有点尴尬，我认为加权平均是最好的选择，但它似乎还没有在 Keras 中可用（据我所知）