我试图实施论文＆＃34;学习分割所有内容＆＃34;我需要使用权重传递函数的输出来设置分割网络中图层的权重。
使用Keras中的layer.output获取的权重转移中最后一层的输出类型为＆＃39; tensorflow.python.framework.ops.Tensor＆＃39;而权重应该初始化为一个numpy数组。知道如何设置权重吗？
答案 0 :(得分：0)
权重通常存储在变量中。 tf.assign操作可用于将值（表示为张量）分配给变量。您可以在session tests中看到使用tf.assign的一些基本示例。它的名称为state_ops.assign()。
请注意，与其他tensorflow操作一样，它不会立即更新变量的值（除非您使用的是急切执行）。它返回一个张量，在评估时（例如通过session.run()），将更新变量。
从你的问题来看，我怀疑你可能不会100％清楚张量流计算模型。 Tensor类型是某些值的符号表示，仅在实际运行计算时生成（通过session.run()）。你无法真正谈论＆＃34;将Tensor转换为numpy数组＆＃34;因为你无法真正转换操作结果foo＆＃34;到混凝土浮子。你必须运行计算来计算操作结果foo＆＃34;知道具体的数字。 tf.assign在这个象征性的空间中起作用。当你使用它时，你会说，＆＃34;无论这个张量的值（某个层的输出）是什么，当我运行计算时，将它分配给这个变量＆＃34;。
答案 1 :(得分：0)
从我从本文中得到的结果来看，权重应该连接到此转换层的输出，比方说它是X。因此，您想要的不是创建“权重”，而是使用tf使用此输出X初始化权重。分配或任何其他方法，因为这将不会可区分。您想要的是直接连接将输出X直接用作其他图形中的权重。
问题是您无法通过Keras图层甚至tf.layers进行此操作，因为此高级api不允许您控制此操作，因为一旦在tf.layers或keras中创建图层，它就会创建拥有自己的权重，而您不希望这样做，您想将此输出X用作权重而不创建新的权重。因此，您可以轻松地重新实现自己想要的任何层，并直接在该层中使用X作为权重，这样梯度就可以流回该X。