我想计算像模糊或重采样这样的恒定卷积，并希望它在训练期间永远不会改变。
我可以将卷积核初始化为常数，并在 Keras 中将其排除在训练之外吗？
更具体地说，我不想将其用于文档中声明的目的。我想以这种方式实现残差网络：一个分支执行正常的可训练卷积，而并行分支执行一些恒定的操作，例如平均。
【问题讨论】：
标签： python machine-learning keras conv-neural-network deep-residual-networks
您应该能够将trainable = False 参数传递给您的层定义，或者在创建层后设置layer.trainable = False 属性。在后一种情况下，您需要事后编译。请参阅FAQ here。
然后您可以通过传递kernel_initializer = initializer argument 为层设置恒定权重。有关初始化程序 can be found here 的更多信息。如果您已经在某处定义了权重矩阵，我认为您将需要定义一个自定义初始化程序，将权重设置为您想要的值。该链接显示了如何在底部定义自定义初始化程序。假设您定义了my_constant_weight_matrix，那么像以下这样简单的方法可能会起作用：
def my_init(shape, dtype=None):
# Note it must take arguments 'shape' and 'dtype'.
return my_constant_weight_matrix
model.add(Conv2D(..., kernel_initializer=my_init)) # replace '...' with your args
也就是说，我还没有验证，当我进行谷歌搜索时，我看到很多关于层冻结无法正常工作的错误报告弹出。不过值得一试。
【讨论】：