python - 在 Tensorflow 中——是否可以在一个层中锁定特定的卷积过滤器，或者完全删除它们？

Question

在 Tensorflow 中使用迁移学习时，我知道可以锁定层以防止进一步训练，方法是:

for layer in pre_trained_model.layers:
    layer.trainable = False

是否可以改为锁定图层中的特定过滤器？如 - 如果整个层包含 64 个过滤器，是否可以:

• 只锁定其中一些似乎包含合理过滤器和重新训练那些没有的？

或

• 从层中移除看起来不合理的过滤器并在没有它们的情况下重新训练？(例如，查看重新训练的过滤器是否会发生很大变化)

Answer 1

一种可能的解决方案是实现自定义层，将卷积拆分为单独的 number of filters 卷积并将每个 channel (这是一个具有一个输出 channel 的卷积)设置为 trainable或不可训练。例如:

import tensorflow as tf
import numpy as np

class Conv2DExtended(tf.keras.layers.Layer):
    def __init__(self, filters, kernel_size, **kwargs):
        self.filters = filters
        self.conv_layers = [tf.keras.layers.Conv2D(1, kernel_size, **kwargs) for _ in range(filters)]
        super().__init__()

    def build(self, input_shape):
        _ = [l.build(input_shape) for l in self.conv_layers]
        super().build(input_shape)

    def set_trainable(self, channels):
        """Sets trainable channels."""
        for i in channels:
            self.conv_layers[i].trainable = True

    def set_non_trainable(self, channels):
        """Sets not trainable channels."""
        for i in channels:
            self.conv_layers[i].trainable = False

    def call(self, inputs):
        results = [l(inputs) for l in self.conv_layers]
        return tf.concat(results, -1)

和用法示例:

inputs = tf.keras.layers.Input((28, 28, 1))
conv = Conv2DExtended(filters=4, kernel_size=(3, 3))
conv.set_non_trainable([1, 2]) # only channels 0 and 3 are trainable
res = conv(inputs)
res = tf.keras.layers.Flatten()(res)
res = tf.keras.layers.Dense(1, activation=tf.nn.sigmoid)(res)

model = tf.keras.models.Model(inputs, res)
model.compile(optimizer=tf.keras.optimizers.SGD(),
              loss='binary_crossentropy',
              metrics=['accuracy'])
model.fit(np.random.normal(0, 1, (10, 28, 28, 1)),
          np.random.randint(0, 2, (10)),
          batch_size=2,
          epochs=5)