如何在 tensorflow/keras 中使用常量滤波器执行卷积答案

【问题标题】：How to perform convolution with constant filter in tensorflow/keras如何在 tensorflow/keras 中使用常量滤波器执行卷积
【发布时间】：2020-07-02 11:58:45
【问题描述】：

在 resnet 的某个阶段，我每张图像有 6 个特征，即每个示例的形状为 1X8X8X6，我想将每个特征与 4 个大小为 1X2X2X1 的常量过滤器 (DWT) 相关，步长为 2，以获得 24 个特征在下一层，图像变为 1X4X4X24。但是，我无法为此目的使用 tf.nn.conv2d 或 tf.nn.convolution，conv2d 表示输入的第四维等于过滤器的第三维，但是我该怎么做，我尝试了第一个过滤器，但即使这样也不起作用：

x_in = np.random.randn(1,8,8,6)
kernel_in = np.array([[[[1],[1]],[[1],[1]]]])
kernel_in.shape
x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)
tf.nn.convolution(x, kernel, strides=[1, 1, 1, 1], padding='VALID')

【问题讨论】：

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

这样试试

x_in = np.random.randn(1,8,8,6) # [batch, in_height, in_width, in_channels]
kernel_in = np.ones((2,2,6,24)) # [filter_height, filter_width, in_channels, out_channels]

x = tf.constant(x_in, dtype=tf.float32)
kernel = tf.constant(kernel_in, dtype=tf.float32)

tf.nn.conv2d(x, kernel, strides=[1, 2, 2, 1], padding='VALID')
# <tf.Tensor: shape=(1, 4, 4, 24), dtype=float32, numpy=....>

【讨论】：

【解决方案2】：

一个简单的例子，说明如何将预定义值填充到 TF2 中 Keras.conv2d 层中的过滤器：

model = models.Sequential()
# one 3x3 filter
model.add(layers.Conv2D(1, (3, 3), input_shape=(None, None, 1)))
# access to the target layer
layer = model.layers[0]
current_w, current_bias = layer.get_weights()  # see the current weights
new_w = tf.constant([[1,2, 3],
                     [4, 5, 6],
                     [7, 8, 9]])
new_w = tf.reshape(new_w, custom_w.shape)  # fix the shape
new_bias = tf.constant([0])
layer.set_weights([new_w, new_bias])
model.summary()
# let's see ..
tf.print(model.layers[0].get_weights())

【讨论】：