Deep learning keras：可培训的重量问题

在一个特定的应用中，我只需要训练卷积运算的偏差。因此，我从可训练重量中删除了W参数。看起来是这样的：

self.trainable_weights = [ self.b] 

---

我在0纪元和200纪元后保存模型，我发现W在某种程度上能够学习。不知道发生了什么事。当我看到model.summary（）时，它显示了正确数量的学习参数。有人能告诉我这里出了什么问题吗？

据我所知，使用Keras是不可能的。这有点类似于问题：。你必须编辑Theano。深入查看

fit

的源代码，并查看参数更新规则。您必须关闭权重的更新。如果你不能得到答案，我会稍后尝试回答。我研究了keras的

fit

函数，但无法找出用于区分损失函数的参数。请记住keras是一个包装器，如果你想编辑一些关于实际计算的内容，你可能需要深入到上面提到的后端的源代码中。谢谢你的回复。我已经在theano中实现了它，通过执行

net.params[net.W].remove（'trainable'）

在千层面中很容易实现。但是keras对我来说是新的，我发现在那里很难实现。据我所知，使用keras是不可能的。这有点类似于问题：。你必须编辑Theano。深入查看

fit

的源代码，并查看参数更新规则。您必须关闭权重的更新。如果你不能得到答案，我会稍后尝试回答。我研究了keras的

fit

函数，但无法找出用于区分损失函数的参数。请记住keras是一个包装器，如果你想编辑一些关于实际计算的内容，你可能需要深入到上面提到的后端的源代码中。谢谢你的回复。我已经在theano中实现了它，通过执行

net.params[net.W].remove（'trainable'）

在千层面中很容易实现。但是keras对我来说是新的，我发现在那里很难实现。