我正在尝试实现“学习分割一切”的论文，我需要使用权重传递函数的输出来设置分割网络中图层的权重。
使用Keras中的layer.output获取的权重转移中的最后一层的输出是'tensorflow.python.framework.ops.Tensor'类型，而权重应该初始化为numpy数组。知道如何设置重量吗？
权重通常存储在变量中。 tf.assign操作可用于将值（表示为张量）分配给变量。您可以在session tests中看到使用tf.assign的一些基本示例。它的名字有state_ops.assign()。
请注意，与其他tensorflow操作一样，它不会立即更新变量的值（除非您使用的是急切执行）。它返回一个张量，当评估时（例如通过session.run()），将更新变量。
从你的问题，我怀疑你可能不是100％清楚张量流计算模型。 Tensor类型是某些值的符号表示，仅在计算实际运行时生成（通过session.run()）。您无法真正谈论“将Tensor转换为numpy数组”，因为您无法将“操作结果foo”转换为具体的浮点数。您必须运行计算来计算“操作结果foo”才能知道具体数字。 tf.assign在这个象征性的空间工作。在使用它时，你会说，“当我运行计算时，无论这个张量的值（某层的输出）是什么，都将它分配给这个变量”。
从我从纸上得到的，权重应该连接到这个变换层的输出，让我们说它是X.所以你想要的不是创建“权重”然后使用tf.assign或任何来使用此输出X初始化权重其他方法，因为这是不可区分的。，你想要的是直接连接输出X作为另一个图形中的权重。
事情是你不能通过Keras层甚至tf.layers来做到这一点，因为这个高级api不允许你控制它，因为只要你在tf.layers或keras中创建一个层就会创建它自己的权重和如果您不希望这样，您希望将此输出X用作不创建新权重的权重。因此，您可以轻松地重新实现您想要的任何层，并直接使用X作为此层中的权重，这将允许渐变通过此X流回。