设置卷积层的滤波器权重
我正在从事一个语义分割项目，该项目涉及动态html" target="_blank">过滤器，以学习多尺度表示。
为了创建这些过滤器，我使用Unet主干并从瓶颈层提取特征图。特征图的大小为H x W X 512，其中H是特征图的高度，W是宽度，512是通道（图）的数量。
这些特征被传递到1x1卷积，以将滤波器的数量减少到H X W X 128，并且这些特征也被传递到自适应池层，以将H X W X 512减少到k X k X 512，其中k是滤波器的大小（例如5）。然后，该滤波器还通过1 x 1卷积进行馈送，以将其减少到128。
这给了我一个特征映射f=H x W x 128和一个大小为k x k x 128的过滤器内核g。
现在我想将f与g卷积，并在keras中尝试了以下操作：
conv = Conv2D(128, kernel_size = 5, kernel_initializer = g, trainable = False)(f)
不幸的是，这不起作用，我只是得到一个错误，说：
无法解释初始值设定项标识符：Tensor（“Straded\u slice:0”，shape=（5,5128），dtype=float32）
现在我想知道我做错了什么？
此外，我必须提到平均池化 /1x1conv后输出tnesor的形状是（？，5,5,128），其中？是批次大小。我尝试了类似的获取内核：
g = g[0,:,:,:]
谢谢你的建议，
干杯，
迈克尔
共有1个答案
Conv2D的构造函数的kernel\u initializer参数不需要内核，而是一个初始化内核的函数。您可以在文档中阅读更多内容
如果你只是想在没有可训练权重的情况下执行卷积，你最好使用张量流本机函数tf.nn.conv2d：
conv = tf.nn.conv2d(f,g,strides=[1,1,1,1],padding='VALID')
-
我在keras建立了一个ConvNet，这是其中的两层 第一层大小的输出，我完全理解，因为有8个大小为3x3的过滤器，每个过滤器都被应用于生成单独的特征图，因此 第二层的输出大小为24x24x16，我不理解。由于第二层的每个过滤器将作用于第一层输出的每个特征映射，因此输出的大小不应该是24x24x128吗？ 基本上，我不明白一层的输出是如何馈送到另一层的输入的
-
该脚本可以在几分钟内在 CPU 上运行完。 结果示例: from __future__ import print_function import time import numpy as np from PIL import Image as pil_image from keras.preprocessing.image import save_img from keras import la
-
我问了一个关于我上周建立的一个网络的问题，我重复了一些建议，这些建议导致我发现了一些问题。我回到这个项目，解决了所有问题，并在这个过程中了解了更多关于CNN的信息。现在我陷入了一个问题：我所有的权重都变成了巨大的负值，再加上输出图像中的RELU端总是完全是黑色的（这使得分类器无法完成它的工作）。 在两个标记的图像上： 这些数据被传递到一个两层网络、一个分类器（它自己获得100%）和一个单过滤器3×
-
我正在实现一个三维卷积神经网络，我有两个问题。 问题一 每个输入是一个大小为（201,10,4）的3D矩阵。我希望我的过滤器能够在第二和第三维度上移动，因为它们是完全连接的。第三个维度是特征维度。所以我不想看第二和第三维度的当地社区。因此，我的过滤器大小将是例如（3,10,4）的大小。所以过滤器大小等于第二和第三维度，但我们在第一维度中有权重共享。以下是我的卷积代码： 所以我应该在这里使用步幅，这
-
我正在构建一个卷积网络图像分类的目的，我的网络受到VGG conv网络的启发，但我更改了每层的层数和过滤器，因为我的图像数据集非常简单。 然而，我想知道为什么VGG中的Fitler数总是2:64的幂- 我猜这是因为每个池将输出大小除以2 x 2，因此需要将过滤器的数量乘以2。 但我仍然想知道，这一选择背后的真正原因是什么；这是为了优化吗？分配计算是否更容易？我应该在我的人际网络中保持这种逻辑吗。
-
创建卷积神经网络（CNN）时（如中所述https://cs231n.github.io/convolutional-networks/)输入层与一个或多个过滤器连接，每个过滤器表示一个要素地图。这里，过滤层中的每个神经元只与输入层的几个神经元相连。在最简单的情况下，我的n个过滤器中的每一个都具有相同的维度并使用相同的步幅。 我的问题是： 如何确保过滤器学习不同的特征，尽管它们使用相同的补丁进行训练