如何在keras中正確地從Conv2D獲取圖層權重？

Question

我已經Conv2D層定義爲：

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') 

這是我的網絡中的第一層。
輸入尺寸64乘160，圖片爲1個通道。
我想從這個卷積圖層中看到權重，但不知道如何獲得它們。
這裏是我現在如何這樣做：

1.Call

layer.get_weights()[0] 

這returs形狀的陣列（5，5，1，96）。 1是因爲圖像是1通道。

2.Take 5×5個濾波器由

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

非常難看，但我不知道如何簡化這一點，任何意見都非常讚賞。

我不確定這些5乘5格。他們真的過濾嗎？
如果沒有人可以請告訴如何正確地從模型中抓取過濾器？

Answer 1

我試圖顯示重量像這樣只有前25個。我有同樣的問題，你做的是這個過濾器或其他東西。它似乎不是從深層信仰網絡或堆疊RBM中獲得的相同過濾器。

這裏是未經訓練的可視化權重：

和這裏的訓練的權重：

奇怪的是有訓練後沒有任何變化！如果你比較它們，它們是相同的。

，然後DBN RBM在頂部，2層的底部過濾層1：

如果我設置kernel_intialization =「一」然後我得到的過濾器，看起來不錯，但淨虧損從未有許多降低雖然試驗和誤差的變化：

下面是顯示2D轉化率重量/過濾器的代碼。

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 ----- -------------------

所以我再次嘗試用0.01而不是1e-6的學習率，並使用0和1之間的規範化圖像，而不是通過將圖像除以255.0來得到0和255。現在，卷積過濾器正在發生變化，第一卷積濾波器的輸出看起來就像這樣：

訓練有素的過濾器，你會發現與合理的學習速度改變（不是很多）：

這裏是CIFAR-10測試儀的圖像七：

，這裏是第一卷積層的輸出：

如果我把最後一圈Laye的r（無中間密集層）並將其饋送給未經訓練的分類器，它與根據精度對原始圖像進行分類相似，但如果我訓練卷積層，則最後的卷積層輸出會提高分類器（隨機森林）的準確性。

所以我會得出結論卷積層確實是過濾器以及權重。