为 Keras 卷积网络指定一些不可训练的过滤器

Question

我想开发一个卷积网络架构，在第一层（在本例中为 Conv1D），我想预先指定一些不可训练的固定过滤器，同时还有几个模型可以学习的可训练过滤器。这可能吗？如何实现？

我的直觉是我可以制作两个单独的 Conv1D 层 - 一个可训练层和一个不可训练层 - 然后以某种方式将它们连接起来，但我不确定这在代码中会是什么样子。另外，对于无法训练的过滤器，我该如何预先指定权重？

Answer 1

所有 keras 层都有一个 set_weights 方法 (https://keras.io/layers/about-keras-layers/)。

您可以使用 trainable=False (https://keras.io/getting-started/faq/#how-can-i-freeze-keras-layers) 冻结 Conv1D 图层的图层。

使用 Concatenate 层 (https://keras.io/layers/merge/) 连接可训练的 Conv1D 和不可训练的 Conv1D。

Answer 2

使用函数 API:

这很容易

in = Input(....)
convA = Conv1D(filters1, kernel_size1, ...)
convB = Conv1D(filters2, kernel_size2, ...)

convB.trainable = False
convB.set_weights(some_weight_array)

conv1 = convA(in)
conv2 = convB(in)

convFinal = Concatenate(axis = -1)([conv1, conv2])

我还没有尝试过代码，但在填写小细节后它应该可以工作。

为 Keras 卷积网络指定一些不可训练的过滤器

Specify some untrainable filters for Keras convolutional network

python

keras

convolutional-neural-network