如何获得 Conv2D 层过滤器权重答案

【问题标题】：How to get Conv2D layer filter weights如何获得 Conv2D 层过滤器权重
【发布时间】：2018-02-23 00:03:51
【问题描述】：

如何在每个 epoch 之后获取 Keras 中 Conv2D 层的所有过滤器（如 32 ,64 等）的权重？我提到这一点，因为初始权重是随机的，但在优化后它们会改变。

我查了this answer，但不明白。请帮助我找到一个解决方案，在每个时期之后获取所有过滤器的权重。

还有一个问题是，在 Keras 文档中，Conv2D 层的输入形状是（样本、通道、行、列）。 samples 到底是什么意思？是我们拥有的输入总数（比如在 MNIST 数据集中它是 60.000 个训练图像）还是批量大小（比如 128 或其他）？

【问题讨论】：

你到底有什么不明白的？你需要具体，否则它是一个重复的问题。
假设我在 keras 中制作一个模型，它有一个像 Conv2D(64, (3, 3), activation='relu') 这样的层，这意味着过滤器的数量是 64，每个过滤器的大小为 3*3。对于任何模型的第一次迭代，这些 64*3*3 值通过 glorot_uniform 初始化程序进行初始化，然后在 model.compile 中我使用 sgd 优化器。这意味着现在这 64 个过滤器将获得新的值。我想看看这些新的价值观。
我知道。您链接的问题提供了答案。你没有解释你从另一个问题中不明白的地方。
我得到了第一个问题的答案。 model.layers[index of layer].get_weights()[0] 将权重。只是我想在 keras 的 Conv2D 层中询问样本是什么意思？我拥有的输入总数或 batch_size。因为在 tensorflow 文档中，他们提到了 Conv 层的批量大小。

标签： keras

【解决方案1】：

样本 = 批次大小 = 批次中的图像数量

Keras 经常使用None 来表示这个维度，这意味着它可以变化，你不必设置它。

虽然这个维度确实存在，但是当你创建一个层时，你传递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

要在每个 epoch（或批次）之后完成操作，您可以使用 LambdaCallback，传递 on_epoch_end 函数：

#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)

将此回调传递给训练函数：

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

【讨论】：

我在mnist数据集中使用了batch size=128
好吧，你是对的。但是这个维度不应该让我们担心。它是自动计算出来的，我们不需要把它放在图层中。我们必须把Conv2D(filers,kernel_size, input_shape=(side1,side2,channels))