Carica i pesi per l'ultimo livello (livello di output) su un nuovo modello dalla rete addestrata

Question

È possibile caricare i pesi sull'ultimo livello nel mio nuovo modello dalla rete addestrata utilizzando gli schemi set_weights e get_weights? Il punto è che ho salvato il peso di ogni strato come file mat (dopo l'allenamento) per fare dei calcoli in Matlab e voglio che solo i pesi modificati dell'ultimo strato vengano caricati sull'ultimo strato nel mio nuovo modello e in altri strati ottenere gli stessi pesi del modello addestrato. È un po 'trickey, poiché il formato salvato è mat.

weights1 = lstm_model1.layers[0].get_weights()[0]
biases1 = lstm_model1.layers[0].get_weights()[1]
weights2 = lstm_model1.layers[2].get_weights()[0]
biases2 = lstm_model1.layers[2].get_weights()[1]
weights3 = lstm_model1.layers[4].get_weights()[0]
biases3 = lstm_model1.layers[4].get_weights()[1]
# Save the weights and biases for adaptation algorithm 
savemat("weights1.mat", mdict={'weights1': weights1})  
savemat("biases1.mat", mdict={'biases1': biases1})      
savemat("weights2.mat", mdict={'weights2': weights2})   
savemat("biases2.mat", mdict={'biases2': biases2})      
savemat("weights3.mat", mdict={'weights3': weights3}) 
savemat("biases3.mat", mdict={'biases3': biases3})  

Come posso caricare solo i vecchi pesi degli altri strati nel nuovo modello (senza l'ultimo strato) e i pesi modificati dell'ultimo strato nell'ultimo strato nel nuovo?

Answer 1

Se è stato salvato come file in formato .h5, funziona. Tuttavia, non sono sicuro di .mat:

In semplicità, devi solo richiamare get_weightsil livello desiderato e, analogamente, set_weightsil livello corrispondente dell'altro modello:

last_layer_weights = old_model.layers[-1].get_weights()
new_model.layers[-1].set_weights(last_layer_weights)

Per un esempio di codice più completo, ecco qui:

# Create an arbitrary model with some weights, for example
model = Sequential(layers = [
    Dense(70, input_shape = (100,)),
    Dense(60),
    Dense(50),
    Dense(5)])

# Save the weights of the model
model.save_weights(“model.h5”)

# Later, load in the model (we only really need the layer in question)
old_model = Sequential(layers = [
    Dense(70, input_shape = (100,)),
    Dense(60),
    Dense(50),
    Dense(5)])

old_model.load_weights(“model.h5”)

# Create a new model with slightly different architecture (except for the layer in question, at least)
new_model = Sequential(layers = [
    Dense(80, input_shape = (100,)),
    Dense(60),
    Dense(50),
    Dense(5)])

# Set the weights of the final layer of the new model to the weights of the final layer of the old model, but leaving other layers unchanged.
new_model.layers[-1].set_weights(old_model.layers[-1].get_weights())

# Assert that the weights of the final layer is the same, but other are not.
print (np.all(new_model.layers[-1].get_weights()[0] == old_model.layers[-1].get_weights()[0]))
>> True

print (np.all(new_model.layers[-2].get_weights()[0] == old_model.layers[-2].get_weights()[0]))
>> False