上下文
我已经使用Keras培训了MNIST模型。我的目标是在第一层之后打印图像，第一层是Conv2D层。为了解决这个问题，我正在创建一个新模型，其中一个Conv2D层将在其中将训练网络的权重复制到新的网络中。
# Visualization for image ofter first convolution
model_temp = Sequential()
model_temp.add(Conv2D(32, (3, 3),
activation='relu',
input_shape=(28,28,1,)))
trained_weights = model.layers[0].get_weights()[0]
model_temp.layers[0].set_weights(trained_weights)
activations = model_temp._predict(X_test)
可变model持有来自完整网络的训练有素的数据。另外，Conv2D的输入参数与原始模型中的输入参数完全相同。
我已经检查了model和model_temp的权重的形状，并以(3, 3, 1, 32)返回。从理论上讲，我应该能够从原始模型中获取权重，并将其直接输入新模型中单个Conv2D层的set_weights()调用中。
在此卷积之后，命名为"激活"的变量将是一个张量，可容纳32（层），26乘26矩阵的每个输入图像的输出值的矩阵。
错误
所以当我运行此代码时，我会收到此错误：
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-152-4ae260f0fe89> in <module>()
7 trained_weights = model.layers[0].get_weights()[0]
8 print(trained_weights.shape)
----> 9 model_test = model_test.layers[0].set_weights(trained_weights)
10
11 activations = model_test._predict(X_test[1, 28, 28, 1])
/usr/local/lib/python2.7/dist-packages/keras/engine/topology.pyc in set_weights(self, weights)
1189 str(len(params)) +
1190 ' weights. Provided weights: ' +
-> 1191 str(weights)[:50] + '...')
1192 if not params:
1193 return
ValueError: You called `set_weights(weights)` on layer "conv2d_60" with a weight list of length 3, but the layer was expecting 2 weights. Provided weights: [[[[ -6.22274876e-01 -2.18614027e-01 5.29607059...
在最后一行，为什么set_weights(weights)要寻找两个长度而不是三个？此错误消息对我来说有点神秘，因此，如果不是两个，则"期望两个权重"是什么意思？
我也愿意接受更轻松的方法的建议。
进一步研究
检查get_weights()（第1168行）的源代码后，在本节中提出了错误：
params = self.weights
if len(params) != len(weights):
raise ValueError('You called `set_weights(weights)` on layer "' +
self.name +
'" with a weight list of length ' +
str(len(weights)) +
', but the layer was expecting ' +
str(len(params)) +
' weights. Provided weights: ' +
str(weights)[:50] + '...')
此条件检查确定我传递的长度（ (3, 3, 1, 32)张量）是否等同于此类的权重属性。因此，我测试了这些属性如下：
# Print contents of weights property
print(model.layers[0].weights)
print(model_test.layers[0].weights)
# Length test of tensors from get_weights call
len_test = len(model.layers[0].get_weights()[0])
len_test2 = len(model_test.layers[0].get_weights()[0])
print("nLength get_weights():")
print("Trained Model: ", len_test, "Test Model: ", len_test2)
# Length test of wights attributes from both models
len_test3 = len(model.layers[0].weights)
len_test4 = len(model_test.layers[0].weights)
print("nLength weights attribute:")
print("Trained Model: ", len_test3, "Test Model: ", len_test4)
输出：
[<tf.Variable 'conv2d_17/kernel:0' shape=(3, 3, 1, 32) dtype=float32_ref>, <tf.Variable 'conv2d_17/bias:0' shape=(32,) dtype=float32_ref>]
[<tf.Variable 'conv2d_97/kernel:0' shape=(3, 3, 1, 32) dtype=float32_ref>, <tf.Variable 'conv2d_97/bias:0' shape=(32,) dtype=float32_ref>]
Length get_weights():
('Trained Model: ', 3, 'Test Model: ', 3)
Length weights attribute:
('Trained Model: ', 2, 'Test Model: ', 2)
此输出对我来说是一百％有意义的，因为每个模型中的这些卷积均完全相同。现在也很明显为什么要长时间。这是因为权重属性是tf.Variable的两个元素的列表。
进一步研究此源文件，在第213行中，我们看到权重有"列表的串联trainable_weights和non_trainable_weights（按此顺序）"。
因此，请确保我可以从原始训练的模型的Conv2D层中获取权重属性，并将其传递给以满足此条件，但是这种情况根本没有检查数据中传递的形状。如果我确实从原始型号传递了权重，我会从numpy中获得setting an array element with a sequence错误。
思想
我认为这是源代码中的错误。如果有人可以验证这一点，我会很棒。
您忘记了偏见向量。get_weights（）和set_weights（）的conv2d函数返回一个列表，将striges矩阵作为第一个元素，而偏置向量为第二。因此，错误正确地表明它希望有2个成员的列表。这样做应该有效
trained_weights = model.layers[0].get_weights()
model_temp.layers[0].set_weights(trained_weights)
另外，如果您想从中间层获得输出，则无需手动传输权重。做类似关注的事情更便宜
get_layer_output = K.function([model.input],
[model.layers[0].output])
layer_output = get_layer_output([x])[0]
或
intermediate_layer_model = Model(inputs=model.input,
outputs=model.get_layer(layer_name).output)
intermediate_output = intermediate_layer_model.predict(data)