Keras 如何获取二维图层过滤器权重

如何在每个历元之后获得Keras中Conv2D层的所有过滤器（如32、64等）的权重？我提到了这一点，因为初始权重是随机的，但在优化之后它们会改变

我检查了一下，但不明白。请帮助我找到一个解决方案，获得所有过滤器的权重，并在每个历元之后

---

还有一个问题是，在Keras文档中，Conv2D层的输入形状是（样本、通道、行、列）。

samples

的确切含义是什么？是我们拥有的输入总数（如MNIST数据集中的60.000个训练图像）还是批量大小（如128个或其他）？

样本=批量大小=一批中的图像数量

Keras经常对此维度使用

None

，这意味着它可以变化，您不必设置它

尽管该尺寸实际上存在，但在创建图层时，将传递

input\u shape

，而不传递该尺寸：

Conv2D(64,(3,3), input_shape=(channels,rows,cols))
#the standard it (rows,cols,channels), depending on your data_format

---

要在每个历元（或批处理）之后执行操作，您可以使用，在历元结束时传递

函数：

#the function to call back
def get_weights(epoch,logs):
    wsAndBs = model.layers[indexOfTheConvLayer].get_weights()
    #or model.get_layer("layerName").get_weights()

    weights = wsAndBs[0]
    biases = wsAndBs[1]
    #do what you need to do with them
    #you can see the epoch and the logs too: 
    print("end of epoch: " + str(epoch)) for instance

#the callback
from keras.callbacks import LambdaCallback
myCallback = LambdaCallback(on_epoch_end=get_weights)

model.fit(...,...,... , callbacks=[myCallback])

将此回调传递给培训函数：

#the function to call back
def get_weights(epoch,logs):
    wsAndBs = model.layers[indexOfTheConvLayer].get_weights()
    #or model.get_layer("layerName").get_weights()

    weights = wsAndBs[0]
    biases = wsAndBs[1]
    #do what you need to do with them
    #you can see the epoch and the logs too: 
    print("end of epoch: " + str(epoch)) for instance

#the callback
from keras.callbacks import LambdaCallback
myCallback = LambdaCallback(on_epoch_end=get_weights)

model.fit(...,...,... , callbacks=[myCallback])

你到底不明白什么？假设我在keras中制作一个模型，它有一个像Conv2D（64，（3，3），activation='relu'）这样的层，这意味着过滤器的数量是64，每个过滤器的大小是3*3。对于任何模型的第一次迭代，这些64*3*3值由glorot_统一初始化器初始化，然后在model.compile中使用sgd优化器。这意味着现在这64个文件将获得新的值。我想看到这些新的价值观，我知道。您链接的问题提供了答案。你没有解释你从另一个问题中不明白的地方。我得到了我第一个问题的答案。model.layers[层索引].get_weights（）[0]将显示权重。我只是想问一下，在keras的Conv2D层中，样本是什么意思？我拥有的输入总数或批量大小。因为在tensorflow文档中，他们提到了Conv层的批处理大小。我在mnist data setOk中使用了批处理大小=128，你是对的。但这个维度不应该让我们担心。它是自动计算的，我们不需要把它放在图层中。我们必须将
Conv2D（文件服务器、内核大小、输入形状=（side1、side2、通道））