Question

我已经提取了隐藏的Tensorflow全连接层（3个隐藏的ReLU，1个输出的NoActivation）的权重和偏差，如下所示：

trainable_variables = tf.trainable_variables()

kernels_list = [trainable_variable for trainable_variable in trainable_variables if "DQN" in trainable_variable.name and "kernel" in trainable_variable.name]
biases_list = [trainable_variable for trainable_variable in trainable_variables if "DQN" in trainable_variable.name and "bias" in trainable_variable.name]

sess.run(tf.global_variables_initializer())

kval_list = [sess.run(kernels_list[i]) for i in range(len(kernels_list))]
bval_list = [sess.run(biases_list[i]) for i in range(len(biases_list))]

鉴于该模型已经过全面训练，我想使用这些权重和偏差来运行“ numpy预测”。我有输入数组，该数组转到第一个隐藏层，然后numpy使用这些权重和偏差来查找第一个隐藏层的输出，等等。这是我用来尝试运行这些计算的代码：

x = state # state is my 1 dimensional input array

for i in range(0, len(kernels_list)):
    weights = kval_list[i]
    biases = bval_list[i]

    w = x.dot(weights)
    w += biases

    out = np.maximum(w, 0) # ReLU
    if i == len(kernels_list) - 1: # If output layer, no ReLU
        out = w

    x = out # Input to the next layer

但是，当我使用Tensorflow预测将最终x值（输出层）与输出层进行比较时，每个输出节点得到的值却不同……我的矩阵计算做错了吗？输入层有1140个节点，因此最初是x.shape = (1140,)，而第一个隐藏层有600个节点，因此在第一次迭代中是weights.shape = (1140, 600)和biases.shape = (600,)。

给指定的权重和偏差使用numpy进行隐藏层输出

0 个答案: