https://github.com/nanopony/keras-convautoencoder/blob/master/autoencoder_layers.py.
лизовал в Керасе связанный кодировщик веса и успешно обучил его.
Моя цель состоит в том, чтобы использовать только часть декодера Авто-кодера в качестве последнего уровня другой сети, чтобы точно настроить и сеть, и декодер.
Дело в том, что, как вы можете видеть ниже из сводки, декодер не имеет параметров с моей реализацией связанных весов, поэтому нет ничего, что можно было бы точно настроить. (decoder.get_weights()
возвращается[]
)
Мой вопрос: должен ли я изменить реализацию связанных весов, чтобы связанный слой все еще мог содержать веса, то есть транспонированные веса кодера? Если да, то как?
Или я просто далеко?
Ниже приведена сводная информация о модели автоэнкодера, а также о классе связанного плотного слоя (слегка измененный сhttps://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