CNN 中权重/过滤器的奇怪输出答案

【问题标题】：Weird output for weights/filters in CNNCNN 中权重/过滤器的奇怪输出
【发布时间】：2019-01-24 09:39:17
【问题描述】：

我的任务是在 cnn 层中可视化绘制的权重，现在当我传递参数 filters = 32 和 kernel_size = (3, 3) 时，我希望使用 .get_weights() 函数输出 32 个矩阵，每个矩阵大小为 3x3（提取权重和偏差），但我得到一个非常奇怪的嵌套输出，输出如下：

a = model.layers[0].get_weights() a[0][0][0]

array([[ 2.87332404e-02, -2.80513391e-02, **... 32 values ...**, -1.55516148e-01, -1.26494586e-01, -1.36454999e-01, 1.61165968e-02, 7.63138831e-02], [-5.21791205e-02, 3.13560963e-02, **... 32 values ...**, -7.63987377e-02, 7.28923678e-02, 8.98564830e-02, -3.02852653e-02, 4.07049060e-02], [-7.04478994e-02, 1.33816227e-02, **... 32 values ...**, -1.99537817e-02, -1.67200342e-01, 1.15980692e-02]], dtype=float32)

我想知道为什么我会得到这种奇怪的输出，以及我怎样才能得到完美形状的权重。提前致谢。

【问题讨论】：

标签： python-3.x keras deep-learning conv-neural-network

【解决方案1】：

神经网络中的权重是表示输入节点和输出节点（或下一层节点）之间连接强度的值。 Conv2D 层的权重通常具有 (H, W, I, O) 的形状，其中：-

H 是内核高度
W 是内核宽度
I 是输入通道数
O 是输出通道数

Conv2D 权重可以解释为输入通道补丁与输出过滤器/特征图中的节点之间的连接强度。这样，您将在每个输入通道和每个输出通道之间拥有形状（H，W）的权重。需要注意的是，权重在同一通道的不同补丁之间共享。

考虑下面的 (8, 8, 1) 输入与 (2, 2) 内核和输出与 (8, 8, 1) 的卷积。该层的权重具有形状 (2, 2, 1, 1) 相同的输入可用于使用 2 (2, 2) 个过滤器生成 2 个特征图，如下所示。现在权重的形状将是 (2, 2,1, 2)。

希望这将阐明如何解释卷积层的形状。

【讨论】：

非常感谢，它确实澄清了我的理解^_^
嘿，您能否详细说明或参考我的来源以了解两层之间发生了什么？就像这是我的第一个 Conv2D 层，然后是我的第二个 Conv2D 层，这两个层之间会发生什么（过滤器如何工作）？

【解决方案2】：

Conv2D 层的核权重形状为(kernel_size[0], kernel_size[1], n_input_channels, filters)。所以在你的情况下

a = model.layers[0].get_weights()
print(a[0].shape)
# should print (3,3,z,32) if your input has shape (x, y, z)

如果您想从其中一个过滤器中打印权重，您可以这样做

a[0][:,:,:,0]

【讨论】：

嘿，非常感谢您的回答，效果很好，再次感谢 :)
嘿，我看到第二层与第一层不同，你能告诉我如何可视化第二层的权重以及封面后面发生的事情，所以我可以抓住权重对于所有层。