Deep learning 如何仅为每个卷积层设置修改的权重?
我目前正在做一些实验,修改模型每个卷积层的权重,而不是偏差 对于模型的每个层,我使用Deep learning 如何仅为每个卷积层设置修改的权重?,deep-learning,python,keras,Deep Learning,Python,Keras,我目前正在做一些实验,修改模型每个卷积层的权重,而不是偏差 对于模型的每个层,我使用layer.get_weights()[0]来获取权重。修改该特定层的权重值后,我想将权重设置回相应的层 我想使用set_weights()方法来实现这一目的,但是,它需要输入权重和偏差,因此我无法实现这一点。将权重值设置回模型层并保持偏差不变的最简单方法是什么 我只是一个初学者,如果这个问题不合适,请给我一些建议和想法。layer.get_weights()返回numpy数组列表。元素0为权重,元素1为偏差。事
layer.get_weights()[0]
来获取权重。修改该特定层的权重值后,我想将权重设置回相应的层
我想使用set_weights()
方法来实现这一目的,但是,它需要输入权重和偏差,因此我无法实现这一点。将权重值设置回模型层并保持偏差不变的最简单方法是什么
我只是一个初学者,如果这个问题不合适,请给我一些建议和想法。layer.get_weights()
返回numpy数组列表。元素0为权重,元素1为偏差。事实上,我不记得了,现在也查不到了,这个列表能不能包含一些其他的东西,但我想这在你的情况下并不重要
因此,您可以执行以下操作:
params = layer.get_weights()
weights = params[0]
biases = params[1]
my_weights = <your modifications>
layer.set_weights([my_weights, biases])
params=layer.get_weights()
权重=参数[0]
偏差=参数[1]
我的体重=
层。设置权重([我的权重,偏差])
大家好,欢迎来到AI SE!这个问题在这里是离题的,因为这只是一个编程问题。有关更多详细信息,请参阅。我将把这个问题迁移到堆栈溢出。@nbro感谢您的更正和对问题的回答。我也这么做了。谢谢