如何获得Conv2D图层滤镜的权重

如何在Keras中的每个时期之后获得Conv2D图层的所有滤镜（如32,64等）的权重？我提到这一点，因为初始权重是随机的，但优化后它们会改变。如何获得Conv2D图层滤镜的权重

我检查了this answer但不明白。请帮助我找到解决所有过滤器和每个时代后的权重的解决方案。

还有一个问题是Keras文档中的Conv2D图层输入形状是（samples，channels，rows，cols）。 samples究竟意味着什么？它是我们拥有的输入总数（如在MNIST数据集中是60,000个训练图像）还是批量大小（如128或其他）？

来源

2017-09-14 Hitesh

你到底明白了什么？你需要具体，否则它是一个重复的问题。 –

假设我在keras中制作了一个类似Conv2D（64，（3，3），activation ='relu'）的模型，这意味着没有过滤器是64并且每个过滤器的大小是3 * 3。对于任何模型的第一次迭代，这些64 * 3 * 3值通过让我们说glorot_uniform初始化，然后在model.compile中初始化，我使用sgd优化器。现在，这64位文件员将获得新的价值。我想看到这些新的价值。 – Hitesh

我知道。你链接的问题提供了答案。你还没有解释你从另一个问题中不了解的内容。 –

样品=批量大小=图像的数量在一个批处理

Keras会经常使用None这个维度，这意味着它可以改变你不必设置。

虽然这方面确实存在，当你创建一个层，你通过input_shape没有它：

Conv2D(64,(3,3), input_shape=(channels,rows,cols)) 
#the standard it (rows,cols,channels), depending on your data_format

为每个时间段（或批次）后都做的动作，你可以使用一个LambdaCallback，经过on_epoch_end功能：

#the function to call back 
def get_weights(epoch,logs): 
    wsAndBs = model.layers[indexOfTheConvLayer].get_weights() 
    #or model.get_layer("layerName").get_weights() 

    weights = wsAndBs[0] 
    biases = wsAndBs[1] 
    #do what you need to do with them 
    #you can see the epoch and the logs too: 
    print("end of epoch: " + str(epoch)) for instance 

#the callback 
from keras.callbacks import LambdaCallback 
myCallback = LambdaCallback(on_epoch_end=get_weights)

通过这个回调训练功能：

model.fit(...,...,... , callbacks=[myCallback])

来源

2017-09-14 13:22:42

我在mnist数据集中使用了批量大小= 128 – Hitesh

好的，你是对的。但这个方面不应该让我们担心。它是自动计算的，我们不需要将它放在图层中。我们必须把'conv2D（filers，kernel_size，input_shape =（side1，side2，channels））' –

如何获得Conv2D图层滤镜的权重

回答

相关问题