Question

我想通过显式定义图层的权重矩阵来创建conv2d图层（Conv2D的use_bias参数设置为False）。我一直在尝试使用layer.set_weights（[K]）做到这一点，其中K是（？，7，7，512，512）张量。

在简单的Tensorflow API中，可能可以通过在tf.nn.conv2d（input，filter，..）中传递张量filter参数来完成

此外，我还有更多问题，我表明我应该解决K张量中的批次尺寸问题，因为它是由网络生成的

基本上我想实现一个超网络，其中我已经从张量K中的另一个网络生成了上面指定的Conv2D层的权重。权重Tensor K的形状为[高度，宽度，过滤器，通道]

template= Input(shape=(448,684,3))
hyper_net= VGG16(weights='imagenet', include_top=False, 
input_tensor=None, input_shape=(448,684, 3))

k1= hyper_net(template)

kconv1= hyper_net.get_layer(name='block5_conv1')
config_conv1= kconv1.get_config()
k1conv1 = Conv2D.from_config(config_conv1)(k1)

kconv2= hyper_net.get_layer(name='block5_conv2')
config_conv2= kconv2.get_config()
k1conv2 = Conv2D.from_config(config_conv2)(k1conv1)

k1pool1= MaxPooling2D(pool_size=(2,3))(k1conv2)

k1pool1= Reshape((7,7,512,1))(k1pool1)
print(k1pool1.shape)

K= Conv3D(512, (1,1,1), strides=(1, 1, 1), padding='valid', 
activation=None, use_bias=True, kernel_initializer='he_normal', bias_initializer='zeros', kernel_regularizer=l2(0.01), bias_regularizer=l2(0.01))(k1pool1)


ortho= Input(tensor=tf.convert_to_tensor(O))
base_model = VGG16(weights='imagenet', include_top=False, 
input_tensor=None, input_shape=(1760, 1760, 3))

o1= base_model(ortho)

Oconv1= Conv2D(512, (7, 7), activation='relu', padding='valid',use_bias=False)
Oconv1.set_weights([K])

它给出错误为：

ValueError: You called `set_weights(weights)` on layer "conv2d_4" with a  weight list of length 1, but the layer was expecting 0 weights. Provided weights: [<tf.Tensor 'conv3d_9/add:0' shape=(?, 7, 7, 512, ...

Answer 1

在渴望执行的Tensorflow 2.0中，您可以执行以下一项操作：

1）您可以在使用build方法之前在Oconv1上调用set_weights方法。您将得到ValueError，因为权重该图层中的变量尚未初始化，因此该图层在构建之前无法通过set_weights获得任何权重。

Oconv1= Conv2D(512, (7, 7), activation='relu', padding='valid',use_bias=False)
input_shape = tf.TensorShape([None, h, w, c])  # to define h, w, c based on shape of layer input
Oconv1.build(input_shape)
Oconv1.set_weights([K])

2）您还可以将weights伪指令传递到Conv2D构造函数中。

Oconv1= Conv2D(512, (7, 7), activation='relu', padding='valid',use_bias=False,weights=[K])

Answer 2

我不知道如何直接从张量执行此操作，但是您可以使用numpy数组在Keras中设置权重。因此，您可以将张量转换为numpy数组，然后进行设置：

sess = tf.InteractiveSession()
weights = K.eval() # Convert tensor to numpy
Oconv1.set_weights(weights) # Set weights of layer

显然，张量/ numpy数组和keras层的尺寸必须相同。

KERAS：如何使用与权重所需形状相同的张量显式设置Conv2D层的权重？

2 个答案: