如何在keras中正确地从Conv2D获取图层权重？

Question

我已经Conv2D层定义为：

Conv2D(96, kernel_size=(5, 5), 
      activation='relu', 
      input_shape=(image_rows, image_cols, 1), 
      kernel_initializer=initializers.glorot_normal(seed), 
      bias_initializer=initializers.glorot_uniform(seed), 
      padding='same', 
      name='conv_1') 

这是我的网络中的第一层。
输入尺寸64乘160，图片为1个通道。
我想从这个卷积图层中看到权重，但不知道如何获得它们。
这里是我现在如何这样做：

1.Call

layer.get_weights()[0] 

这returs形状的阵列（5，5，1，96）。 1是因为图像是1通道。

2.Take 5×5个滤波器由

layer.get_weights()[0][:,:,:,j][:,:,0] 

非常难看，但我不知道如何简化这一点，任何意见都非常赞赏。

我不确定这些5乘5格。他们真的过滤吗？
如果没有人可以请告诉如何正确地从模型中抓取过滤器？

Answer 1

我试图显示重量像这样只有前25个。我有同样的问题，你做的是这个过滤器或其他东西。它似乎不是从深层信仰网络或堆叠RBM中获得的相同过滤器。

这里是未经训练的可视化权重：

和这里的训练的权重：

奇怪的是有训练后没有任何变化！如果你比较它们，它们是相同的。

，然后DBN RBM在顶部，2层的底部过滤层1：

如果我设置kernel_intialization =“一”然后我得到的过滤器，看起来不错，但净亏损从未有许多降低虽然试验和误差的变化：

下面是显示2D转化率重量/过滤器的代码。

ann = Sequential() 
    x = Conv2D(filters=64,kernel_size=(5,5),input_shape=(32,32,3)) 
    ann.add(x) 
    ann.add(Activation("relu")) 

...

x1w = x.get_weights()[0][:,:,0,:] 
    for i in range(1,26): 
     plt.subplot(5,5,i) 
     plt.imshow(x1w[:,:,i],interpolation="nearest",cmap="gray") 
    plt.show() 

    ann.fit(Xtrain, ytrain_indicator, epochs=5, batch_size=32) 

    x1w = x.get_weights()[0][:,:,0,:] 
    for i in range(1,26): 
     plt.subplot(5,5,i) 
     plt.imshow(x1w[:,:,i],interpolation="nearest",cmap="gray") 
    plt.show() 

--------------------------- UPDATE ----- -------------------

所以我再次尝试用0.01而不是1e-6的学习率，并使用0和1之间的规范化图像，而不是通过将图像除以255.0来得到0和255。现在，卷积过滤器正在发生变化，第一卷积滤波器的输出看起来就像这样：

训练有素的过滤器，你会发现与合理的学习速度改变（不是很多）：

这里是CIFAR-10测试仪的图像七：

，这里是第一卷积层的输出：

如果我把最后一圈Laye的r（无中间密集层）并将其馈送给未经训练的分类器，它与根据精度对原始图像进行分类相似，但如果我训练卷积层，则最后的卷积层输出会提高分类器（随机森林）的准确性。

所以我会得出结论卷积层确实是过滤器以及权重。