自定义权重初始化 tensorflow tf.layers.dense

Question

我正在尝试为tf.layers.dense设置自定义初始化器，我在其中使用已有的权重矩阵初始化kernel_initializer 。

u_1 = tf.placeholder(tf.float32, [784, 784])
first_layer_u = tf.layers.dense(X_, n_params, activation=None, 
                              kernel_initializer=u_1,
                              bias_initializer=tf.keras.initializers.he_normal())

这是抛出错误，说ValueError: If initializer is a constant, do not specify shape.

将占位符分配给kernel_initializer是一个问题还是我遗漏了什么？

Answer 1

至少有两种方法可以实现这一点：

1 创建自己的图层

  W1 = tf.Variable(YOUR_WEIGHT_MATRIX, name='Weights')
  b1 = tf.Variable(tf.zeros([YOUR_LAYER_SIZE]), name='Biases') #or pass your own
  h1 = tf.add(tf.matmul(X, W1), b1)

2 使用tf.constant_initializer

init = tf.constant_initializer(YOUR_WEIGHT_MATRIX)
l1 = tf.layers.dense(X, o, kernel_initializer=init)

Answer 2

我认为您可以定义自己的初始化函数。 该函数需要采用 3 个参数： shape 、 dtype和partition_info 。 它应该返回一个用于初始化权重的tf.Tensor 。 由于你有一个numpy数组，我认为你可以使用tf.constant来创建这个张量。 例如：

def custom_initializer(shape_list, dtype, partition_info):
    # Use np.ones((7, 3)) as an example
    return tf.constant(np.ones((7, 3)))

然后你可以将它传递给kernel_initializer 。 如果尺寸都匹配，它应该可以工作。 我在gist上举了一个例子，使用Estimator构建模型并使用LoggingTensorHook在每一步记录dense/kernel 。 您应该能够看到重量已正确启动。

编辑：

我刚刚发现使用tf.constant_initializer会更好。 它用于tensorflow 指南。 你可以做kernel_initializer=tf.constant_initializer(np.ones((7, 3))) 。

Answer 3

乔纳森的回答也对我有用 conv -

kernel_in = np.random.uniform(100,1000,(filter_width, filter_height, input_channels, output_channels)).astype(np.float32)
init = tf.constant_initializer(kernel_in)
def model(x):
    x = tf.layers.conv2d(x, filters=3, kernel_size=1, strides=1, kernel_initializer=init)