Question

我在Keras实施了一个捆绑权重自动编码器并成功训练了它。

我的目标是仅使用自动编码器的解码器部分作为另一个网络的最后一层，以微调网络和解码器。

正如你在摘要中看到的那样，解码器没有带有我的绑定权重实现的参数，所以没有什么可以微调的。（decoder.get_weights()返回[]）

我的问题是：我是否应该更改绑定权重的实现，以便绑定层仍然可以保持权重，即编码器的转置权重？如果有，怎么样？

或者我离开了？

以下是自动编码器模型的摘要以及绑定的Dense图层的类（稍微修改自https://github.com/nanopony/keras-convautoencoder/blob/master/autoencoder_layers.py.）

Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
encoded (Dense)                  (None, Enc_dim)          33000       dense_input_1[0][0]              
____________________________________________________________________________________________________
tieddense_1 (TiedtDense)          (None, Out_Dim)            0           encoded[0][0]                    
====================================================================================================
Total params: 33,000
Trainable params: 33,000
Non-trainable params: 0
________________________________________________________________________


class TiedtDense(Dense):
def __init__(self, output_dim, master_layer, init='glorot_uniform', activation='linear', weights=None,
             W_regularizer=None, b_regularizer=None, activity_regularizer=None,
             W_constraint=None, b_constraint=None, input_dim=None, **kwargs):
    self.master_layer = master_layer
    super(TiedtDense, self).__init__(output_dim, **kwargs)

def build(self, input_shape):
    assert len(input_shape) >= 2
    input_dim = input_shape[-1]
    self.input_dim = input_dim


    self.W = tf.transpose(self.master_layer.W)
    self.b = K.zeros((self.output_dim,))
    self.params = [self.b]
    self.regularizers = []
    if self.W_regularizer:
        self.W_regularizer.set_param(self.W)
        self.regularizers.append(self.W_regularizer)

    if self.b_regularizer:
        self.b_regularizer.set_param(self.b)
        self.regularizers.append(self.b_regularizer)

    if self.activity_regularizer:
        self.activity_regularizer.set_layer(self)
        self.regularizers.append(self.activity_regularizer)

    if self.initial_weights is not None:
        self.set_weights(self.initial_weights)
        del self.initial_weights

Answer 1

问这个问题已经有两年多了，但是这个答案可能对某些人仍然有用。

函数Layer.get_weights()从self.trainable_weights和self.non_trainable_weights中检索（请参阅keras.engine.base_layer.Layer.weights）。在您的自定义图层中，权重self.W和self.b未添加到任何这些集合中，这就是该图层具有0个参数的原因。

您可以按照以下方式调整实现：

class TiedtDense(Dense):
    def __init__(self, output_dim, master_layer, **kwargs):
        self.master_layer = master_layer
        super(TiedtDense, self).__init__(output_dim, **kwargs)

    def build(self, input_shape):
        assert len(input_shape) >= 2
        input_dim = input_shape[-1]
        self.input_dim = input_dim

        self.kernel = tf.transpose(self.master_layer.kernel)
        self.bias = K.zeros((self.units,))
        self.trainable_weights.append(self.kernel)
        self.trainable_weights.append(self.bias)

注意：为简单起见，我不包括正则化器和约束。如果需要这些，请参阅keras.engine.base_layer.Layer.add_weight。

解码器在Keras中具有绑定权重的自动编码器的权重

1 个答案: