Skip to main content
 首页 » 编程设计

python之从 csv 文件 :Layer weight shape (672, 导入权重 7) 与提供的权重形状不兼容 (1, 1, 672, 7)

2024年12月31日8txw1958

我正在 Keras 中编写深度学习网络,之前在 Matlab 中进行过测试。为了避免进行所有学习,我将 Matlab 中最后一层的权重和偏差导出为 .csv 文件,并希望在我的网络中使用它们 - 因此我的网络只会根据给定的权重而不是整个学习来测试分数。

代码:

import os 
os.environ['KERAS_BACKEND'] = 'tensorflow' 
import numpy as np 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Activation, Flatten, Input 
from keras.layers import Convolution2D, MaxPooling2D 
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img 
#from keras import backend as K 
from keras.preprocessing import image 
 
print("\n") 
print("\n") 
trained_weights = [] 
trained_bias = [] 
 
trained_weights = np.loadtxt('Weights.csv', delimiter=';') 
trained_bias = np.loadtxt('Bias.csv', delimiter=';') 
 
network_weights = np.array([[trained_weights]]) 
network_bias = np.array([[trained_bias]]) 
network_outputs = np.array([['a','c','d','e','f','g','h']]) 
 
# Load test image 
img = load_img('note_a.png') 
note = image.img_to_array(img) 
#note = np.expand_dims(note, axis=0) 
note = np.reshape(note, [1, 50, 30, 3]) 
 
# Model architecture 
model = Sequential() 
 
# Layer 1 
model.add(Convolution2D(12, (6, 6), batch_size=1, input_shape=(50, 30, 3), padding='same', activation='relu')) 
model.add(MaxPooling2D(pool_size=(2, 2), strides=2)) 
 
# Layer 2 
model.add(Convolution2D(24, (6, 6), padding='same', activation='relu')) 
model.add(MaxPooling2D(pool_size=(2, 2), strides=2)) 
 
# Layer 3 
model.add(Convolution2D(48, (6, 6), activation='relu')) 
 
model.add(Flatten()) 
 
layer2=Dense(7, weights=[network_weights, network_bias], activation='softmax') 
model.add(layer2) 
 
model.summary() 
print("\n") 
print("\n") 
 
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['accuracy']) 
 
#model.fit((note,network_outputs), batch_size=32, nb_epoch=10, verbose=1) 
#score = model.evaluate(note, network_outputs) 

我正在尝试使用

model.set_weights([network_outputs]) 

但它似乎只为我的第一层网络分配了权重,所以我只是为最后一层分配了权重。结果是以下错误:

ValueError: Layer weight shape (672, 7) not compatible with provided weight shape (1, 1, 672, 7)

这让我很困惑。如何通过 weights=[network_weights, network_bias] 我得到 4 个维度?是不是因为 network_weights 的维度是 [1,672],而 network_bias=[1,7],所以是 [1,1,672,7]?

以及如何正确调整此权重参数的大小?

请您参考如下方法:

np.array([[trained_weights]]) 用 2 个空维度包围的数据创建一个数组,因此您的最终形状是 (1, 1, x, y)。与您的 trained_bias 相同。应用 [network_weights, network_bias] 再次用一个维度包围你的 2 个数组,这显然不匹配。

我认为你只需要使用类似的东西清理所有不必要的环境:

weights=[trained_weights, trained_bias]