我想开发一个卷积网络架构，在第一层（在本例中为Conv1D）中，我想预先指定一部分无法处理的固定滤波器，同时还有几个可训练的滤波器，模型可以学习。这有可能吗？如何做到这一点？
我的直觉是我可以制作两个单独的Conv1D图层 - 一个可训练且一个无法处理 - 然后以某种方式连接它们，但我不确定这在代码中会是什么样子。另外，对于不可绕过的滤波器，我如何预先指定权重？
答案 0 :(得分：1)
使用功能API非常简单：
in = Input(....)
convA = Conv1D(filters1, kernel_size1, ...)
convB = Conv1D(filters2, kernel_size2, ...)
convB.trainable = False
convB.set_weights(some_weight_array)
conv1 = convA(in)
conv2 = convB(in)
convFinal = Concatenate(axis = -1)([conv1, conv2])
我没有尝试过代码，但是在填写小细节后它应该正常工作。
答案 1 :(得分：0)
所有keras图层都有set_weights方法（https://keras.io/layers/about-keras-layers/）。
您可以使用Conv1D（https://keras.io/getting-started/faq/#how-can-i-freeze-keras-layers）冻结trainable=False图层。
使用Conv1D图层（https://keras.io/layers/merge/）连接可训练的Conv1D和不可训练的Concatenate。