Tensorflow Keras模型中的权重设置

我需要帮助设置自定义权重到一个二维卷积的小型自定义Keras模型。我有一个如下所示的输入：

X=[[3,2，-4]，
[0, 5, 4],
[2, -1, -7],
[-7, 0, 1]],
[[-8, 9, 1],
[-3, 6, 0],
[0, -4, 2],
[5, 1, 1]]]

因此，可以想象一个只有两个通道的4x3图像。我的内核如下所示：

kernel=[[2,1]，
[0, -1],
[0, -1]],
[[1, 2],
[2, -1],
[2, -2]]]

所以，一个二维的3x2内核。手动进行2D卷积，步幅为1且无填充，产生：

[[10,14]，
[27, 16]]

不幸的是，以下Keras代码：

model=Sequential（）
conv2d=conv2d（过滤器=1，内核大小=（3,2），步幅=1，输入形状=（2,4,3），使用偏差=False）
model.add（conv2d）
图层=模型。图层[0]
层。设置权重（[np.数组（内核）。重塑（3，2，2，1）]）
打印（model.predict（np.array（X）.重塑（（1，）+np.shape（X）））

产出：

[[19，-6]，
[-39, 16]]

我不知道Keras是如何组织它的内核进行卷积的。到目前为止，看起来很违反直觉，但我可能遗漏了一些东西

---

我正在使用Keras 2.0.9和Tensorflow 1.4.0作为后端。

Keras中的内核遵循以下形状：

（高度、宽度、输入通道、输出通道）

——即使您先使用

通道

您认为它使用的形状是正确的
（3,2,2,1）

但您的手动计算考虑的是一个倒置的形状。在手动计算中，您使用的是
（输入通道、高度、宽度）

当您重塑内核时，您没有正确地重新排列这些维度。仅仅重塑并不等同于“转置”阵列。重塑只需重新组合数据，无需任何重新排序

要在keras中获得正确的结果，需要正确交换轴：

#start as (input_channels, height, width) = (2,3,2)    
kernel = np.array([[[2, 1],
       [0, -1],
       [0, -1]],
      [[1, 2],
       [2, -1],
       [2, -2]]])

#change to (height, input_channels, width) = (3,2,2)   
kernel = kernel.swapaxes(0,1)

#change to (height, width, input_channels) = (3,2,2)
kernel = kernel.swapaxes(1,2)

#add output_channels
kernel = kernel.reshape((3,2,2,1))

keras中的内核遵循以下形状：
（高度、宽度、输入通道、输出通道）
——即使您首先使用
通道

您认为它使用的形状是正确的
（3,2,2,1）

但您的手动计算考虑的是一个倒置的形状。在手动计算中，您使用的是
（输入通道、高度、宽度）

当您重塑内核时，您没有正确地重新排列这些维度。仅仅重塑并不等同于“转置”阵列。重塑只需重新组合数据，无需任何重新排序

要在keras中获得正确的结果，需要正确交换轴：

#start as (input_channels, height, width) = (2,3,2)    
kernel = np.array([[[2, 1],
       [0, -1],
       [0, -1]],
      [[1, 2],
       [2, -1],
       [2, -2]]])

#change to (height, input_channels, width) = (3,2,2)   
kernel = kernel.swapaxes(0,1)

#change to (height, width, input_channels) = (3,2,2)
kernel = kernel.swapaxes(1,2)

#add output_channels
kernel = kernel.reshape((3,2,2,1))

谢谢，我正在考虑如何在TensorFlow（使用相同的约定）中实现这一点。你怎么能想象这个？我的意思是，我看不出一个简单的轴交换如何达到预期的结果。假设你有矩阵
[[1,2,3]，[4,5,6]
。它具有形状
（2,3）
。现在，这是对（3,2）的重塑：
[[1,2]，[3,4]，[5,6]]
。这是一个轴交换：
[[1,4]，[2,5]，[3,6]]
。谢谢，我在考虑如何在TensorFlow中实现这一点（使用相同的约定）。你怎么能想象这个？我的意思是，我看不出一个简单的轴交换如何达到预期的结果。假设你有矩阵
[[1,2,3]，[4,5,6]
。它具有形状
（2,3）
。现在，这是对（3,2）的重塑：
[[1,2]，[3,4]，[5,6]]
。这是一个轴交换：
[[1,4]，[2,5]，[3,6]
。