如何将Keras中的致密层转换为等效卷积层？

Question

我想做一些类似于完全卷积网络的论文(https://people.eecs.berkeley.edu/~jonlong/long\u shelhamer\u fcn。pdf）使用Keras。我有一个网络，它最终将要素地图展平，并将其穿过几个密集的图层。我想将权重从这样的网络加载到一个网络中，在这个网络中，密集层被等效卷积所取代。

Keras附带的VGG16网络可以作为一个示例，其中最后一个MaxPoolig2D（）的7x7x512输出被展平，然后进入一个密集（4096）层。在这种情况下，密集（4096）将替换为7x7x4096卷积。

我的真实网络略有不同，有一个GlobalAveragePoolig2D（）层，而不是MaxPoolig2D（）和Flatte（）。GlobalAveragePoolig2D（）的输出是一个2D张量，无需再将其展平，因此所有密集层（包括第一层）都将替换为1x1卷积。

我见过这个问题：Python keras如何将密集层转换为卷积层，这看起来非常相似，如果不完全相同的话。问题是我无法让建议的解决方案工作，因为（a）我使用TensorFlow作为后端，所以权重重新排列/过滤器“旋转”是不正确的，并且（b）我不知道如何加载权重。使用model.load_weights（by_name=True）将旧的权重文件加载到新网络中不起作用，因为名称不匹配（即使它们确实维度不同）。

使用TensorFlow时应该如何重新排列？

如何装载重物？我是否创建每个模型中的一个，调用模型。在两者上加载\u weights（）以加载相同的权重，然后复制一些需要重新排列的额外权重？

Answer 1

a、 无需进行复杂的旋转。只需重塑即可

b.使用get_weights（）并初始化新层

遍历model.layers，使用set_weights或如下所示创建具有配置和加载权重的相同层。

下面这段伪代码对我有用。（Keras 2.0）

伪代码：

# find input dimensions of Flatten layer
f_dim =  flatten_layer.input_shape

# Creating new Conv layer and putting dense layers weights 
m_layer = model.get_layer(layer.name)
input_shape = m_layer.input_shape
output_dim =  m_layer.get_weights()[1].shape[0]
W,b = layer.get_weights()
if first dense layer :
    shape = (f_dim[1],f_dim[2],f_dim[3],output_dim)
    new_W = W.reshape(shape)
    new_layer = Convolution2D(output_dim,(f_dim[1],f_dim[2]),strides=(1,1),activation='relu',padding='valid',weights=[new_W,b])

else: (not first dense layer)
    shape = (1,1,input_shape[1],output_dim)
    new_W = W.reshape(shape)
    new_layer = Convolution2D(output_dim,(1,1),strides=(1,1),activation='relu',padding='valid',weights=[new_W,b])
            

Answer 2

根据hars的答案，我创建了这个函数来将任意cnn转换为fcn：

from keras.models import Sequential
from keras.layers.convolutional import Convolution2D
from keras.engine import InputLayer
import keras

def to_fully_conv(model):

    new_model = Sequential()

    input_layer = InputLayer(input_shape=(None, None, 3), name="input_new")

    new_model.add(input_layer)

    for layer in model.layers:

        if "Flatten" in str(layer):
            flattened_ipt = True
            f_dim = layer.input_shape

        elif "Dense" in str(layer):

            input_shape = layer.input_shape
            output_dim =  layer.get_weights()[1].shape[0]
            W,b = layer.get_weights()

            if flattened_ipt:
                shape = (f_dim[1],f_dim[2],f_dim[3],output_dim)
                new_W = W.reshape(shape)
                new_layer = Convolution2D(output_dim,
                                          (f_dim[1],f_dim[2]),
                                          strides=(1,1),
                                          activation=layer.activation,
                                          padding='valid',
                                          weights=[new_W,b])
                flattened_ipt = False

            else:
                shape = (1,1,input_shape[1],output_dim)
                new_W = W.reshape(shape)
                new_layer = Convolution2D(output_dim,
                                          (1,1),
                                          strides=(1,1),
                                          activation=layer.activation,
                                          padding='valid',
                                          weights=[new_W,b])


        else:
            new_layer = layer

        new_model.add(new_layer)

    return new_model

model = keras.applications.vgg16.VGG16()
new_model = to_fully_conv(model)