Question

在keras中，是否可以在两层之间共享权重，但其他参数有何不同？考虑以下（当然有点做作）的例子：

conv1 = Conv2D(64, 3, input_shape=input_shape, padding='same')
conv2 = Conv2D(64, 3, input_shape=input_shape, padding='valid')

请注意，除padding外，图层相同。我可以让keras为两者使用相同的权重吗？（即还要相应地训练网络？）

我查看了keras doc，section on shared layers似乎暗示只有在图层完全相同时才能进行共享。

Answer 1

据我所知，这不能通过常见的API级别来实现。 Keras用法但是，如果你深入挖掘，有一些（丑陋的）方法来分担权重。

首先，通过调用Conv2D在build()函数内创建add_weight()图层的权重：

    self.kernel = self.add_weight(shape=kernel_shape,
                                  initializer=self.kernel_initializer,
                                  name='kernel',
                                  regularizer=self.kernel_regularizer,
                                  constraint=self.kernel_constraint)

对于您提供的用法（即默认trainable / constraint / regularizer / initializer），add_weight()没有什么特别之处，只是将权重变量附加到_trainable_weights：

    weight = K.variable(initializer(shape), dtype=dtype, name=name)
    ...
        self._trainable_weights.append(weight)

最后，由于build()仅在__call__()内部调用，如果图层尚未构建，则可以通过以下方式创建图层之间的共享权重：

致电conv1.build()初始化要共享的conv1.kernel和conv1.bias个变量。
致电conv2.build()初始化图层。
将conv2.kernel和conv2.bias替换为conv1.kernel和conv1.bias。
从conv2.kernel移除conv2.bias和conv2._trainable_weights。
将conv1.kernel和conv1.bias附加到conv2._trainable_weights。
完成模型定义。这里将调用conv2.__call__();但是，由于已经构建了conv2，因此不会重新初始化权重。

以下代码段可能会有所帮助：

def create_shared_weights(conv1, conv2, input_shape):
    with K.name_scope(conv1.name):
        conv1.build(input_shape)
    with K.name_scope(conv2.name):
        conv2.build(input_shape)
    conv2.kernel = conv1.kernel
    conv2.bias = conv1.bias
    conv2._trainable_weights = []
    conv2._trainable_weights.append(conv2.kernel)
    conv2._trainable_weights.append(conv2.bias)

# check if weights are successfully shared
input_img = Input(shape=(299, 299, 3))
conv1 = Conv2D(64, 3, padding='same')
conv2 = Conv2D(64, 3, padding='valid')
create_shared_weights(conv1, conv2, input_img._keras_shape)
print(conv2.weights == conv1.weights)  # True

# check if weights are equal after model fitting
left = conv1(input_img)
right = conv2(input_img)
left = GlobalAveragePooling2D()(left)
right = GlobalAveragePooling2D()(right)
merged = concatenate([left, right])
output = Dense(1)(merged)
model = Model(input_img, output)
model.compile(loss='binary_crossentropy', optimizer='adam')

X = np.random.rand(5, 299, 299, 3)
Y = np.random.randint(2, size=5)
model.fit(X, Y)
print([np.all(w1 == w2) for w1, w2 in zip(conv1.get_weights(), conv2.get_weights())])  # [True, True]

这种hacky重量分享的一个缺点是在模型保存/加载后权重不会保持共享。这不会影响预测，但如果您想加载经过训练的模型以进行进一步微调，则可能会出现问题。

我可以在keras图层之间共享权重，但其他参数有何不同？

1 个答案: