Python 如何提取Keras层权重作为可训练参数？

我在训练一个像GAN一样的模特，但不完全一样。我在TensorFlow后端使用Keras

我有两款Keras车型

G

和

D

。我想在

G

中输出目标层的权重参数，作为模型D的输入，并使用

D.predict（G.weights）

的结果作为

G

的损失函数的一部分，即

D

是不可训练的，但参数

G.weights

是可训练的。通过这种方式，您希望进一步训练

G.weights

我试着用

def自定义损耗（ytrue，ypred）：
###与ytrue和ypred有关
权重=自身。G.get_层（“目标”）。get_权重（）
损失+=自身D.预测（重量）
回波损耗

但显然它不起作用，因为

weight

只是一个numpy数组，不可训练

---

有没有一种方法可以获得在Keras中仍然可以训练的模型重量？我是Keras的新手，对TensorFlow知之甚少。如果有人能帮上忙，我会非常感激的

如您所述，

layer.get_weights（）

将返回矩阵的当前权重。您希望为预测提供的是计算图中表示此类权重的节点。您可以改用

layer.trainable_weights

，它将返回两个

tf.Variable

，您可以将其馈送到另一层/模型

请注意，一个变量用于单元到单元的连接，另一个变量用于偏差。如果你想从中得到一个展平张量，你可以这样做：

从keras导入后端为K
...
ww，bias=self.G.get\u层（“目标”）。可训练的\u权重
展平权重=展平（）

谢谢！这正是我需要的。我可以问你下面的另一个问题吗？非常感谢！此外，我还有另一个问题要问：我是否可以对Keras中的可训练参数进行排序？在输入其他操作之前，我想做一些类似于

K.sort（layer.trainable\u weights）

的事情，我该怎么做？很高兴能提供帮助！我想您可以将

K.sort

应用于展平权重。不管怎样，对我来说，这看起来是一种非常奇怪的需要。如果你想进一步解释，使答案更准确，请写一篇专门的帖子。请参阅。