J'ai un réseau de neurones simple, j'ai besoin d'obtenir des poids et des biais du modèle. J'ai essayé quelques approches discutées avant, mais je continue à obtenir une erreur de valeur hors limites. Je ne sais pas comment résoudre ce problème, ou ce qui me manque.
Network - erreur -
C'est ce qui a été mentionné dans quelques questions, mais je finis par obtenir l'erreur hors des limites pour cela. J'ai une autre question, l'index suivi après model.layers [0] .get_weights () [1] IndexError: Index de la liste hors de portée modèle.layers [] , correspond-il au calque?
Par exemple model.layers [1] donne les poids correspondant à la deuxième couche, quelque chose comme ça?
4 Réponses :
Je suis allé là-bas, j'ai regardé mon ancien code pour voir si je pouvais me souvenir de comment ai-je résolu cette question.
Ce que j'ai fait était d'imprimer la longueur du modèle.layer [index] .get_weights () [x] pour déterminer où Keras enregistre les poids dont j'avais besoin.
Dans mon ancien code, model.layers [0] .get_weights () [1] retournerait les biais, tandis que model.layers [0] .get_weights () [0] retournerait les poids réels.
En tout état de cause, prendre en compte qu'il y a des couches que les poids ne sont pas sauvegardés (car ils n'ont pas de poids), donc si vous demandez model.layers [0] .get_weights () [0] Ne fonctionne pas, essayez avec model.layers [1] .get_weights () [1] , car je ne suis pas sûr de Aplatier les couches, mais je sais que des couches denses devraient sauver leurs poids .
Vous pouvez voir les commentaires à la fin de mon ancien code si cela vous aide [ github.com/abeagomez/cnn_triplet_loss_with_keras/blob/maste r / ...
Vous pouvez également l'utiliser si vous avez besoin des poids après chaque époque [ Stackoverflow.com/questions/46473823/... < / a>
Hey, merci! Donc, par exemple, je gère 5 époques - les poids et les préjugés que je reçois à la fin seraient fondamentalement les poids et les biais de la 5ème époque, n'est-ce pas? En outre, j'ai réussi à le faire fonctionner - je pense. model.layers [1] .get_weights () [0] me donne un tableau multidimensionnel avec des sous-bras avec 10 éléments chacun, et pour model.layers [1] .get_weights () [1]. Je reçois un seul tableau ... Donc, je suppose que ces derniers sont les préjugés et les premiers sont les poids (puisque j'ai 10 classes). Est-ce que ça fait du sens?
@Adityadas exactement! Ces derniers sont les préjugés et les anciens sont les poids et oui, les poids et les biais que vous obtenez à la fin proviennent de votre dernière époque, je n'ai fourni que les informations supplémentaires au cas où vous vouliez voir comment vos poids ressemblent lors de la formation: )
La première couche (index 0) de votre modèle est un Pour obtenir le aplatissez code> couche, qui n'a aucun poids, c'est pourquoi vous obtenez des erreurs. dense Code> Couche, qui est la deuxième couche, vous devez utiliser Index 1: P> model.layers[1].get_weights()[1]
Si nous avons plusieurs couches denses? Pour la deuxième couche dense (la troisième couche globale) utiliserons-nous model.layers [2] .get_weights () [2]
@Adityadas Oui, les couches sont indexées comme n'importe quel tableau
juste modèle.get_weights () , vous obtiendrez tous les poids et biais de votre modèle
Pour obtenir les poids et les biais sur une kéras séquentielle et pour chaque itération, vous pouvez le faire comme dans l'exemple suivant:
# create model
model = Sequential()
model.add(Dense(numHiddenNeurons, activation="tanh", input_dim=4, kernel_initializer="uniform"))
model.add(Dense(1, activation="linear", kernel_initializer="uniform"))
# Compile model
model.compile(loss='mse', optimizer='adam', metrics=['accuracy', 'mse', 'mae', 'mape'])
weightsBiasDict = {}
weightAndBiasCallback = tf.keras.callbacks.LambdaCallback \
(on_epoch_end=lambda epoch, logs: weightsBiasDict.update({epoch:model.get_weights()}))
# Fit the model
history= model.fit(X1, Y1, epochs=numIterations, batch_size=batch_size, verbose=0, callbacks=weightAndBiasCallback)