与普通图层不同，Keras自定义图层不返回权重

Question

我试图获得图层的权重。当使用keras层并且输入连接到它时，它似乎正常工作。但是，在将其包装到我的自定义图层时，这不再起作用。这是一个错误还是我错过了什么？

编辑：注意事项：

我读到可以在自定义层的build（）中定义可训练变量。但是，由于自定义图层由keras图层Dense（以及之后可能更多的keras图层）组成，因此这些图层应该已经定义了可训练变量和权重/偏差初始值设定项。 （我没有看到在TestLayer的init（）中使用将在TestLayer的build（）中定义的变量覆盖它们的方法。

class TestLayer(layers.Layer):
    def __init__(self):
        super(TestLayer, self).__init__()
        self.test_nn = layers.Dense(3)

    def build(self, input_shape):
        super(TestLayer, self).build(input_shape)


    def call(self, inputs, **kwargs):
        test_out = test_nn(inputs) # which is test_in
        return test_out


test_in = layers.Input((2,))
test_nn = layers.Dense(3)
print(test_nn.get_weights()) # empty, since no connection to the layer
test_out = test_nn(test_in)
print(test_nn.get_weights()) # layer returns weights+biases

testLayer = TestLayer()
features = testLayer(test_in)
print(testLayer.get_weights()) # Problem: still empty, even though connected to input.

Answer 1

documentation说，build()方法应该调用你没有的add_weight()：

应该调用add_weight（），然后调用super的build（）

如果要继承layers.Layer，也不需要在类中定义密集层。这是你应该如何子类：

import tensorflow as tf
from tensorflow.keras import layers

class TestLayer(layers.Layer):
    def __init__(self, outshape=3):
        super(TestLayer, self).__init__()
        self.outshape = outshape

    def build(self, input_shape):
        self.kernel = self.add_weight(name='kernel',
                                      shape=(int(input_shape[1]), self.outshape),
                                      trainable=True)

        super(TestLayer, self).build(input_shape)


    def call(self, inputs, **kwargs):
        return tf.matmul(inputs, self.kernel)

test_in = layers.Input((2,))

testLayer = TestLayer()
features = testLayer(test_in)
print(testLayer.get_weights())
#[array([[-0.68516827, -0.01990592,  0.88364804],
#       [-0.459718  ,  0.19161093,  0.39982545]], dtype=float32)]

Here是继承Layer类的更多例子。

但是，如果你坚持以你的方式实现它，如果你想使用get_weights()，你必须覆盖它（在这种情况下，你可以创建一个没有子类的类）：

import tensorflow as tf
from tensorflow.keras import layers

class TestLayer(layers.Layer):
    def __init__(self, outshape=3):
        super(TestLayer, self).__init__()
        self.test_nn = layers.Dense(outshape)
        self.outshape = outshape

    def build(self, input_shape):
        super(TestLayer, self).build(input_shape)

    def call(self, inputs, **kwargs):
        return self.test_nn(inputs)

    def get_weights(self):
        with tf.Session() as sess:
            sess.run([x.initializer for x in self.test_nn.trainable_variables])
            return sess.run(self.test_nn.trainable_variables)

test_in = layers.Input((2,))

testLayer = TestLayer()
features = testLayer(test_in)
print(testLayer.get_weights())
#[array([[ 0.5692867 ,  0.726858  ,  0.37790012],
#       [ 0.2897135 , -0.7677493 , -0.58776844]], dtype=float32), #array([0., 0., 0.], dtype=float32)]

Answer 2

不幸的是，Keras不支持在其他图层中使用图层。我在过去遇到过这个问题，并开了一个问题here，但团队向我证实这是故意的。

您可以在自定义图层中定义方法，如：

def dense(X, f_in, f_out):
    W = self.add_weight(name='kernel',
                        shape=(f_in, f_out))
    b = self.add_weight(name='bias',
                        shape=(f_out, ))
    return K.dot(X, W) + b

或者继承Dense图层并使用super().call()的输出。