Python 指定Keras中的参数列表

我为权重和偏差定义了两个变量偏差。如何在Keras中使用这些变量？基本上，我想做的是：

w = tf.get_variable("weight", shape=[784, 512], trainable=True)
b = tf.get_variable("bias", shape=[512], trainable=True)

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,), weights=w, biases=b))

---

有人知道如何使用Keras吗？

直接传入Numpy数组，Keras将为您处理张量转换；另外，

weights

处理“常规”权重和偏差。完整示例如下：

来自keras.layers
从keras.models导入顺序
将numpy作为np导入
输入_形状=（784，）
密集尺寸=512
W=np.random.randn（输入形状[0]，密集尺寸）
b=np.random.randn（稠密尺寸）
模型=顺序（）
添加（密集型（密集型，激活型，输入型=输入型，权重=[W，b]））

确保按照层期望的顺序传递重量-可直接检查：

打印（模型层[0].权重）

[,，
]

---

在构建模型后设置权重：使用

图层。设置权重（）

：

model.layers[0]。设置_权重（[W，b]）#再次，注意顺序

---

使用tf.get_变量：无法执行；从

set_weights（）

，使用

K.batch_set_value

，它对原始数组值而不是张量进行操作。如果您的目标是跟踪层的权重变量，则只需直接获取，并使用

K.eval（）

获取它们的值（或TF2的

.numpy（）

）：

将keras.backend导入为K
dense1_权重，dense1_偏差=模型。层[0]。权重
如果tf.\uuuuu版本\uuuuu[0]=“2”：
打印（dense1_weights.numpy（））
其他：
打印（K.eval（密度单位重量））

只需使用

model.trainable_variables

？@iyop45，它只检索变量列表。您可以轻松地为该列表编制索引：[v代表model.trainable_variables if v.name==“weight:0”]感谢您的回答。我来测试一下。我很惊讶文档中没有这个@PeterSmith Keras/TF文档并不完美（通常都很糟糕），但这次它们很好；由于

weights

位于

kwargs

中，因此在类的docstring中描述它不是标准做法。但是，您可以看到，

Dense

继承自我链接的base_Layer.py中定义的

Layer

，确实如此。我刚刚对此进行了测试。你知道有没有办法在

weights

列表中指定TensorFlow张量而不是NumPy数组？