在CNTK中访问DNN的学习权重

Question

如何访问DNN的学习权重如下：

lstm_network_output.save（model_path）

Answer 1

可以通过调用'lstm_network_output.parameters'来访问网络的权重/参数，该参数返回“参数”变量对象的列表。 可以使用numpy数组形式的Parameter对象的'value'属性获取Parameter的值。 参数的值可以通过'.value ='更新。

Answer 2

如果在创建模型时使用了name= properties，则还可以按名称标识图层。 例如：

model = Sequential([Embedding(300, name='embed'), Recurrence(LSTM(500)), Dense(10)])
E = model.embed.E   # accesses the embedding matrix of the embed layer

要知道参数是.E ，请查阅相应函数的docstring（例如help(Embedding) ）。 （在Dense and Convolution ，参数为.W和.b 。）

上面的模式用于命名图层，使用as_block()创建。 您还可以命名中间变量，并以相同的方式访问它们。 例如：

W = Parameter((13,42), init=0, name='W')
x = Input(13)
y = times(x, W, name='times1')
W_recovered = y.times1.W

# e.g. check the shape to see that they are the same
W_recovered.shape  # --> (13, 42)
W.shape            # --> (13, 42)

从技术上讲，这将搜索所有馈送y参数。 如果网络更复杂，您最终可能会有多个同名参数。 然后由于模糊性将引发错误。 在这种情况下，你必须使用Anna的回复中提到的.parameters元组。

Answer 3

这个python代码让我可以想象一些权重：

import numpy as np
import cntk as C

dnnFile = C.cntk_py.Function.load('Models\ConvNet_MNIST_5.dnn') # load model from MS example
layer8 = dnnFile.parameters()[8].value()
filter_num = 0
sliced = layer8.asarray()[ filter_num ][ 0 ] # shows filter works on input image
print(sliced)