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？

Question

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

在简单的 Tensorflow API 中，可以通过将张量传递给 tf.nn.conv2d(input, filter,..) 中的过滤器参数来完成

此外，我还有更多问题，我表明我应该解决 K 张量中的批量维度，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。权重张量 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])

它给出的错误为：

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

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

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 层的维度必须相同。