Question

我正在使用以下代码创建CNN图层。

conv1 = tf.layers.conv2d(inputs = input, filters = 20, kernel_size = [3,3],
    padding = "same", activation = tf.nn.relu)

我希望在训练后获得所有内核的值。它不起作用我只是做

kernels = conv1.kernel

那么我该如何检索这些内核的值呢？我也不确定conv2d有哪些变量和方法，因为张量流不能在conv2d类中真正告诉它。

Answer 1

您可以找到tf.global_variables()返回的列表中的所有变量，并轻松查找所需的变量。

如果您希望按名称获取这些变量，请将图层声明为：

conv_layer_1 = tf.layers.conv2d(activation=tf.nn.relu, 
                                filters=10, 
                                inputs=input_placeholder, 
                                kernel_size=(3, 3), 
                                name="conv1",         # NOTE THE NAME 
                                padding="same", 
                                strides=(1, 1))

将图表恢复为：

gr = tf.get_default_graph()

将内核值恢复为：

conv1_kernel_val = gr.get_tensor_by_name('conv1/kernel:0').eval()

将偏差值恢复为：

conv1_bias_val = gr.get_tensor_by_name('conv1/bias:0').eval()

Answer 2

您的意思是想要获取conv1图层的权重值。

你还没有用conv2d来定义权重，你需要这样做。当我创建一个卷积层时，我使用一个执行所有必要步骤的函数，这里是我用来创建每个卷积层的函数的复制/粘贴：

def _conv_layer(self, name, in_channels, filters, kernel, input_tensor, strides, dtype=tf.float32):
    with tf.variable_scope(name):
        w = tf.get_variable("w", shape=[kernel, kernel, in_channels, filters],
                            initializer=tf.contrib.layers.xavier_initializer_conv2d(), dtype=dtype)
        b = tf.get_variable("b", shape=[filters], initializer=tf.constant_initializer(0.0), dtype=dtype)
        c = tf.nn.conv2d(input_tensor, w, strides, padding='SAME', name=name + "c")
        a = tf.nn.relu(c + b, name=name + "_a")
        print name + "_a", a.get_shape().as_list(), name + "_w", w.get_shape().as_list(), \
            "params", np.prod(w.get_shape().as_list()[1:]) + filters
        return a, w.get_shape().as_list()

这是我用来定义5个卷积层的例子，这个例子直接来自我的代码，所以请注意它的5个卷积层没有使用max pooling或任何东西，2和5x5内核的步幅。

    conv1_a, _ = self._conv_layer("conv1", 3,     24, 5, self.imgs4d, [1, 2, 2, 1])   # 24.8 MiB/feature -> 540 x 960
    conv2_a, _ = self._conv_layer("conv2", 24,    80, 5,     conv1_a, [1, 2, 2, 1])   #  6.2 MiB         -> 270 x 480
    conv3_a, _ = self._conv_layer("conv3", 80,   256, 5,     conv2_a, [1, 2, 2, 1])   #  1.5 MiB         -> 135 x 240
    conv4_a, _ = self._conv_layer("conv4", 256,  750, 5,     conv3_a, [1, 2, 2, 1])   #  0.4 MiB         ->  68 x 120
    conv5_a, _ = self._conv_layer("conv5", 750, 2048, 5,     conv4_a, [1, 2, 2, 1])   #  0.1 MiB         ->  34 x  60

还有一个关于如何建立卷积网络的tensorflow网站上的一个很好的教程：

https://www.tensorflow.org/tutorials/deep_cnn

你问题的直接答案是卷积层的权重在那里被定义为w，这是你正在理解我是否正确理解你的张量。

如何在Tensorflow中获取CNN内核值

2 个答案: