我目前正在尝试将经过张量流训练的网络的权重加载到keras中的等效网络中。问题是一旦读取权重，当我尝试在每个图层上使用“ .set_weights”命令时，就会发生上述错误。当我只使用keras图层时，我不确定为什么我的图层属于“ Tensor”类类型。
在下面您可能会看到代码，我已经从tensorflow加载了元文件，并从检查点文件加载了权重。用keras构建网络之后，我尝试加载权重，它告诉我我的图层属于“ Tensor”类。
以tf.Session（）作为会话：
# import graph
saver = tf.train.import_meta_graph(PATH_REL_META)
# load weights for graph
saver.restore(sess, PATH_REL_META[:-5])
# get all global variables (including model variables)
vars_global = tf.global_variables()
# get their name and value and put them into dictionary
sess.as_default()
model_vars = {}
for var in vars_global:
try:
model_vars[var.name] = var.eval()
except:
print("For var={}, an exception occurred".format(var.name))
inputs = Input（（None，None，10））
conv_A1c = Conv2D（过滤器= 64，kernel_size = [3，3]，padding =“ same”，activation ='relu'）（输入） bn_conv_A1c = BatchNormalization（轴= 3）（conv_A1c） dropout_A1c =退出（0.5）（bn_conv_A1c）
conv_A2c = Conv2D（过滤器= 64，kernel_size = [3，3]，填充=“相同”，激活='relu'）（dropout_A1c） bn_conv_A2c = BatchNormalization（轴= 3）（conv_A2c） dropout_A2c =退出（0.5）（bn_conv_A2c）
pool_A1c = MaxPooling2D（pool_size = [2，2]，步幅= 2）（dropout_A2c）
conv_B1c = Conv2D（过滤器= 128，kernel_size = [3，3]，padding =“ same”，激活='relu'）（pool_A1c） bn_conv_B1c = BatchNormalization（轴= 3）（conv_B1c） dropout_B1c =退出（0.5）（bn_conv_B1c）
conv_B2c = Conv2D（过滤器= 128，kernel_size = [3，3]，padding =“ same”，激活='relu'）（dropout_B1c） bn_conv_B2c = BatchNormalization（轴= 3）（conv_B2c） dropout_B2c =退出（0.5）（bn_conv_B2c）
pool_B1c = MaxPooling2D（pool_size = [2，2]，步幅= 2）（dropout_B2c）
conv_C1c = Conv2D（过滤器= 256，kernel_size = [3，3]，padding =“ same”，激活='relu'）（pool_B1c） bn_conv_C1c = BatchNormalization（轴= 3）（conv_C1c） dropout_C1c =退出（0.5）（bn_conv_C1c）
conv_C2c = Conv2D（过滤器= 256，kernel_size = [3，3]，padding =“ same”，激活='relu'）（dropout_C1c） bn_conv_C2c = BatchNormalization（轴= 3）（conv_C2c） dropout_C2c =退出（0.5）（bn_conv_C2c）
pool_C1c = MaxPooling2D（pool_size = [2，2]，步幅= 2）（dropout_C2c）
conv_D1c = Conv2D（过滤器= 512，kernel_size = [3，3]，padding =“ same”，激活='relu'）（pool_C1c） bn_conv_D1c = BatchNormalization（轴= 3）（conv_D1c） dropout_D1c =退出（0.5）（bn_conv_D1c）
conv_D2c = Conv2D（过滤器= 512，kernel_size = [3，3]，填充=“相同”，激活='relu'）（dropout_D1c） bn_conv_D2c = BatchNormalization（轴= 3）（conv_D2c） dropout_D2c =退出（0.5）（bn_conv_D2c）
pool_D1c = MaxPooling2D（pool_size = [2，2]，步幅= 2）（dropout_D2c）
conv_E1 = Conv2D（过滤器= 1024，kernel_size = [3，3]，填充=“相同”，激活='relu'）（pool_D1c） bn_conv_E1 = BatchNormalization（轴= 3）（conv_E1） dropout_E1 =退出（0.5）（bn_conv_E1）
conv_E2 = Conv2D（过滤器= 1024，kernel_size = [3，3]，填充=“相同”，激活='relu'）（dropout_E1） bn_conv_E2 = BatchNormalization（轴= 3）（conv_E2） dropout_E2 =退出（0.5）（bn_conv_E2）
upconv_E1 = Conv2DTranspose（过滤器= 512，kernel_size = [2，2]，步幅=（2，2），填充='有效'）（dropout_E2）
conv_D1e_ip =串联（axis = 3）（[dropout_D2c，upconv_E1]） conv_D1e = Conv2D（过滤器= 512，kernel_size = [3，3]，padding =“ same”，激活='relu'）（conv_D1e_ip） bn_conv_D1e = BatchNormalization（轴= 3）（conv_D1e） dropout_D1e = Dropout（0.5）（bn_conv_D1e）
conv_D2e = Conv2D（过滤器= 512，kernel_size = [3，3]，填充=“相同”，激活='relu'）（dropout_D1e） bn_conv_D2e = BatchNormalization（轴= 3）（conv_D2e） dropout_D2e = Dropout（0.5）（bn_conv_D2e）
upconv_D2e = Conv2DTranspose（过滤器= 256，kernel_size = [2，2]，步幅=（2，2），填充='有效'）（dropout_D2e）
conv_C1e_ip =串联（axis = 3）（[dropout_C2c，upconv_D2e]） conv_C1e = Conv2D（过滤器= 256，kernel_size = [3，3]，padding =“ same”，激活='relu'）（conv_C1e_ip） bn_conv_C1e = BatchNormalization（轴= 3）（conv_C1e） dropout_C1e =退出（0.5）（bn_conv_C1e）
conv_C2e = Conv2D（过滤器= 256，kernel_size = [3，3]，padding =“ same”，激活='relu'）（dropout_C1e） bn_conv_C2e = BatchNormalization（轴= 3）（conv_C2e） dropout_C2e = Dropout（0.5）（bn_conv_C2e）
upconv_C2e = Conv2DTranspose（过滤器= 128，kernel_size = [2，2]，步幅=（2，2），填充='有效'）（dropout_C2e）
conv_B1e_ip =串联（axis = 3）（[dropout_B2c，upconv_C2e]） conv_B1e = Conv2D（过滤器= 128，kernel_size = [3，3]，padding =“ same”，激活='relu'）（conv_B1e_ip） bn_conv_B1e = BatchNormalization（轴= 3）（conv_B1e） dropout_B1e =退出（0.5）（bn_conv_B1e）
conv_B2e = Conv2D（过滤器= 128，kernel_size = [3，3]，padding =“ same”，激活='relu'）（dropout_B1e） bn_conv_B2e = BatchNormalization（轴= 3）（conv_B2e） dropout_B2e = Dropout（0.5）（bn_conv_B2e）
upconv_B2e = Conv2DTranspose（过滤器= 64，kernel_size = [2，2]，步幅=（2，2），填充='有效'）（dropout_B2e）
conv_A1e_ip =串联（axis = 3）（[dropout_A2c，upconv_B2e]） conv_A1e = Conv2D（过滤器= 64，kernel_size = [3，3]，padding =“ same”，激活='relu'）（conv_A1e_ip） bn_conv_A1e = BatchNormalization（轴= 3）（conv_A1e） dropout_A1e = Dropout（0.5）（bn_conv_A1e）
conv_A2e = Conv2D（过滤器= 64，kernel_size = [3，3]，padding =“ same”，activation ='relu'）（dropout_A1e） bn_conv_A2e = BatchNormalization（轴= 3）（conv_A2e） dropout_A2e = Dropout（0.5）（bn_conv_A2e）
conv_score = Conv2D（2，kernel_size = [1，1]，padding =“ same”，activation ='relu'）（dropout_A2e）
model = Model（输入= [输入]，输出= [conv_score]） model.compile（optimizer ='adam'，loss ='binary_crossentropy'）
conv_A1c.set_weights（[model_vars [“ conv2d / kernel：0”]，model_vars [“ conv2d / bias：0”]]）
bn_conv_A1c.set_weights（[model_vars [“ batch_normalization / gamma：0”]，model_vars [“ batch_normalization / beta：0”]，model_vars [“ batch_normalization / moving_mean：0”]，model_vars [“ batch_normalization / moving_variance：0” ]]）
“ model_vars”中的项目均为“”类型，而图层的类型返回“”
如果你们可以帮我弄清楚为什么我的图层返回张量，而不是用keras类型的图层会很有帮助。
答案 0 :(得分：0)
试试这个：
model.layers[0].set_weights([model_vars["conv2d/kernel:0"], model_vars["conv2d/bias:0"]])