tensorflow - 如何在 Keras 中重新初始化现有模型的层权重？

Question

实际问题是在 Keras 中为现有(已构建)模型生成随机层权重。有一些使用 Numpy [2] 的解决方案，但选择这些解决方案并不好。因为，在 Keras 中，每个层类型都有使用不同分布的特殊初始化器。当使用 Numpy 代替初始值设定项时，生成的权重与原始权重具有不同的分布。让我们举一个例子:

我的模型的第二层是一个卷积 (1D) 层，它的初始值设定项是 GlorotUniform [1]。如果使用 Numpy 生成随机权重，则生成的权重分布将不是 GlorotUniform。

我有这个问题的解决方案，但它有一些问题。这是我所拥有的:

def set_random_weights(self, tokenizer, config):
    temp_model = build_model(tokenizer, config)
    self.model.set_weights(temp_model.get_weights())

我正在构建现有模型。在构建过程之后，模型的权重被重新初始化。然后我得到重新初始化的权重并将它们设置为另一个模型。生成新权重的构建模型具有冗余过程。因此，我需要一个无需构建模型和 Numpy 的新解决方案。

https://keras.io/initializers/

https://www.codementor.io/nitinsurya/how-to-re-initialize-keras-model-weights-et41zre2g

Answer 1

请参阅此问题的先前答案 here .
具体来说，如果要使用 Keras 层的原始权重初始化器，可以执行以下操作:

import tensorflow as tf
import keras.backend as K

def init_layer(layer):
    session = K.get_session()
    weights_initializer = tf.variables_initializer(layer.weights)
    session.run(weights_initializer)


layer = model.get_layer('conv2d_1')
init_layer(layer)