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]）来实现此目的，其中K是（？，7，7，512，512）Tensor。
在简单的Tensorflow API中，可以通过将Tensor传递给tf.nn.conv2d（input，filter，...）中的过滤器参数来完成此操作。
此外，我有更多的问题，我表明我应该解决在KTensor的批维，因为它已由网络生成
基本上，我想要实现一个超网络，其中我已经从TensorK中的另一个网络生成了上面指定的Conv2D层的权重。权重TensorK具有形状[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, ...
2条答案
按热度按时间eni9jsuy1#
在具有即时执行功能的Tensorflow 2.0中，您可以执行以下操作之一：
1)在使用
set_weights方法之前，您可以在Oconv1上调用build方法。您将获得ValueError，因为层中的权重变量尚未初始化，因此在构建之前，层无法通过set_weights接受任何权重。2)您也可以将
weightskwarg传入Conv2D建构函式。ncecgwcz2#
我不知道如何直接从Tensor中进行计算，但你可以用一个numpy数组来设置Keras中的权重，所以你可以将Tensor转换成一个numpy数组，然后设置它：
显然，Tensor/数值阵列和keras层的维数必须相同。