使用Keras实现的具有绑定权重的自编码器的解码器权重

Question

我在Keras中实现了一个绑定权重的自编码器，并已成功训练。我的目标是仅使用自编码器的解码器作为另一网络的最后一层，以微调网络和解码器。但问题在于，如下所示的摘要显示，我的绑定权重实现中解码器没有参数，因此没有可以微调的内容（decoder.get_weights()返回[]）。我的问题是：我应该更改绑定权重的实现，使绑定层仍然可以保持权重即编码器的转置权重吗？如果是，如何操作？或者我错了？下面是自编码器模型的摘要以及绑定Dense层的类（略有修改自https://github.com/nanopony/keras-convautoencoder/blob/master/autoencoder_layers.py）。

Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
encoded (Dense)                  (None, Enc_dim)          33000       dense_input_1[0][0]              
____________________________________________________________________________________________________
tieddense_1 (TiedtDense)          (None, Out_Dim)            0           encoded[0][0]                    
====================================================================================================
Total params: 33,000
Trainable params: 33,000
Non-trainable params: 0
________________________________________________________________________


class TiedtDense(Dense):
def __init__(self, output_dim, master_layer, init='glorot_uniform', activation='linear', weights=None,
             W_regularizer=None, b_regularizer=None, activity_regularizer=None,
             W_constraint=None, b_constraint=None, input_dim=None, **kwargs):
    self.master_layer = master_layer
    super(TiedtDense, self).__init__(output_dim, **kwargs)

def build(self, input_shape):
    assert len(input_shape) >= 2
    input_dim = input_shape[-1]
    self.input_dim = input_dim


    self.W = tf.transpose(self.master_layer.W)
    self.b = K.zeros((self.output_dim,))
    self.params = [self.b]
    self.regularizers = []
    if self.W_regularizer:
        self.W_regularizer.set_param(self.W)
        self.regularizers.append(self.W_regularizer)

    if self.b_regularizer:
        self.b_regularizer.set_param(self.b)
        self.regularizers.append(self.b_regularizer)

    if self.activity_regularizer:
        self.activity_regularizer.set_layer(self)
        self.regularizers.append(self.activity_regularizer)

    if self.initial_weights is not None:
        self.set_weights(self.initial_weights)
        del self.initial_weights

- achigeor

Answer 1

这个问题被提出已经超过2年了，但是这个答案可能仍然对一些人有用。

函数Layer.get_weights()从self.trainable_weights和self.non_trainable_weights（参见keras.engine.base_layer.Layer.weights）中检索。在您的自定义层中，您的权重self.W和self.b没有被添加到任何这些集合中，这就是为什么该层具有0个参数的原因。

您可以按照以下方式调整实现：

class TiedtDense(Dense):
    def __init__(self, output_dim, master_layer, **kwargs):
        self.master_layer = master_layer
        super(TiedtDense, self).__init__(output_dim, **kwargs)

    def build(self, input_shape):
        assert len(input_shape) >= 2
        input_dim = input_shape[-1]
        self.input_dim = input_dim

        self.kernel = tf.transpose(self.master_layer.kernel)
        self.bias = K.zeros((self.units,))
        self.trainable_weights.append(self.kernel)
        self.trainable_weights.append(self.bias)

注意: 为简单起见，我排除了正则化和约束。如果您需要这些，请参考keras.engine.base_layer.Layer.add_weight。

- rvinas