Keras使用面罩冻结比重

我是凯拉斯的新手。我想实现一个层，其中不是所有的权重都将更新。例如，在下面的代码中，我希望

膨胀

层的更新方式使某些中心权重永远不会更新。例如，

diagration

层中每个特征矩阵（1024个）的形状是

448、448

，所有特征矩阵中心的

8x8

块将永远不会更新，即

8x8

块是特征矩阵的（不可训练）掩码

input_layer=Input(shape=(896,896,3))
new_layer = Conv2D(32, kernel_size=(3,3), padding="same", activation='relu', kernel_initializer='he_normal')(input_layer)
new_layer = MaxPooling2D(pool_size=(2, 2), strides=(2,2), padding='same', data_format=None)(new_layer)
new_layer = Conv2D(64, kernel_size=(3,3), padding='same', activation='relu', kernel_initializer='he_normal')(new_layer)
new_layer = Conv2D(1024, kernel_size=(7,7), dilation_rate=8, padding="same", activation='relu', kernel_initializer='he_normal', name='dialation')(new_layer)
new_layer = Conv2D(32, kernel_size=(1,1), padding="same", activation='relu', kernel_initializer='he_normal')(new_layer)
new_layer = Conv2D(32, kernel_size=(1,1), padding="same", activation='relu', kernel_initializer='he_normal')(new_layer)

model = Model(input_layer, new_layer)

我试着使用Keras的

自定义层

，但我很难理解。任何人都可以帮忙

更新： 为了更好地理解，我添加了下图。膨胀层包含1024个特征。我希望每个特性的中间区域是不可训练的（静态）

---

在两种情况下都使用此遮罩：

mask = np.zeros((1,448,448,1))
mask[:,220:228,220:228] = 1

更换部分功能部件 如果将部分特征替换为常量值，这意味着该特征将是静态的，但它仍将参与反向传播（因为这部分图像的权重仍将相乘和求和，并且存在连接）

保留特征值，但停止反向传播 这里，扩张层和进一步的权重将正常更新，但是扩张层之前的权重将不会受到中心区域的影响

def stopBackprop(x):
    stopped=K.stop_gradients(x)
    return x*(1-mask) + stopped*mask

#before the dilation layer
new_layer=Lambda(stopBackprop)(new_layer) 

---

在两种情况下都使用此掩码：

mask = np.zeros((1,448,448,1))
mask[:,220:228,220:228] = 1

更换部分功能部件 如果将部分特征替换为常量值，这意味着该特征将是静态的，但它仍将参与反向传播（因为这部分图像的权重仍将相乘和求和，并且存在连接）

保留特征值，但停止反向传播 这里，扩张层和进一步的权重将正常更新，但是扩张层之前的权重将不会受到中心区域的影响

def stopBackprop(x):
    stopped=K.stop_gradients(x)
    return x*(1-mask) + stopped*mask

#before the dilation layer
new_layer=Lambda(stopBackprop)(new_layer) 

---

请解释清楚。你在混合权重和特征，它们是两个不同的东西。您希望特征在某个坐标上是静态的，还是希望权重在某个坐标上是静态的？或者你想让某些功能不影响重量更新？谢谢你的观点。我更新了描述。我想要在某些坐标下的特征的静态权重。只是为了确定。您是否了解权重始终为7x7且完全独立于图像中的坐标？相同的7x7将应用于整个图像。重量是可训练的，但功能是不可训练的。这就是为什么我不知道你想要什么。不过，也有一些可能性。可以使用常量值替换特征的中间部分。可以在特征的中间停止渐变，所以这部分特征在反向传播中不起作用（权重将更新，同样的7x7矩阵被应用到整个图像）。这就是我想要实现的：“您可以用常量值替换特征的中间部分。可以在特征的中间停止渐变，所以这部分特征在反向传播中不起作用。“-您能否提供任何实施方案？请更好地解释。你在混合权重和特征，它们是两个不同的东西。您希望特征在某个坐标上是静态的，还是希望权重在某个坐标上是静态的？或者你想让某些功能不影响重量更新？谢谢你的观点。我更新了描述。我想要在某些坐标下的特征的静态权重。只是为了确定。您是否了解权重始终为7x7且完全独立于图像中的坐标？相同的7x7将应用于整个图像。重量是可训练的，但功能是不可训练的。这就是为什么我不知道你想要什么。不过，也有一些可能性。可以使用常量值替换特征的中间部分。可以在特征的中间停止渐变，所以这部分特征在反向传播中不起作用（权重将更新，同样的7x7矩阵被应用到整个图像）。这就是我想要实现的：“您可以用常量值替换特征的中间部分。你可以在特征的中间停止渐变，所以这部分的特性在反向传播中不起作用。-你能提供任何实现吗？谢谢你的实现例子。谢谢你的实现例子。