如何取出 tf.layers.dense 定義的全連接層的weight和bias參數值

[原創] 如何取出 tf.layers.dense 定義的全連接層的weight和bias參數值

TensorFlow版本：1.14.0
Python版本：3.6.8

在TensorFlow中，tf.layers.dense 定義了一個全連接層，其實現的是（來自官方文檔）：

This layer implements the operation: outputs = activation(inputs * kernel + bias) Where activation is the activation function passed as the activation argument (if not None), kernel is a weights matrix created by the layer, and bias is a bias vector created by the layer (only if use_bias is True).

意思就是它實現了 y = activation(x * kernel + bias) 的操作，其中，activation是激活函數。在這裏，kernel 就是指我們通常所說的 weight，它被TF稱爲 kernel 而不是 weight。因此，如果你想從這個模型裏取出weight參數的話，就要注意它的名字了，否則會讀不到這個參數。
下面我們就來看具體的例子。

下面這段代碼的邏輯非常簡單，它幹了下面這些事情：
* 創建了一個非常簡單的2層全連接網絡
* 訓練網絡
* 訓練完成後把它保存成checkpoint格式的模型文件
* 從保存的checkpoint讀取模型裏第一層的 weight 和 bias 參數值，打印出來
文章來源：https://www.codelast.com/

import tensorflow as tf
import numpy as np
LAYER_1_NAME = 'layer1'  # 第一層的名字
LAYER_2_NAME = 'layer2'  # 第二層的名字

# 創建一個非常簡單的神經網絡，它有兩層
x = tf.placeholder(shape=[None, 2], dtype=tf.float32)
layer1 = tf.layers.dense(x, 5, activation=tf.nn.sigmoid, name=LAYER_1_NAME)
layer2 = tf.layers.dense(layer1, 2, activation=tf.nn.sigmoid, name=LAYER_2_NAME)
loss = tf.reduce_mean((layer2 - x) ** 2)
optimizer = tf.train.AdamOptimizer(0.01).minimize(loss)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
x_values = np.random.normal(0, 1, (5000, 2))  # 生成用於輸入的隨機數
    for step in range(1000):
_, loss_value = sess.run([optimizer, loss], feed_dict={x: x_values})
if step % 100 == 0:
print("step: %d, loss: %f" % (step, loss_value))
# 把模型保存成checkpoint
    saver = tf.compat.v1.train.Saver()
save_path = saver.save(sess, './checkpoint/model.ckpt')
print("model saved in path: %s" % save_path, flush=True)
# 讀取剛保存的checkpoint
    reader = tf.train.NewCheckpointReader(save_path)
weights = reader.get_tensor(LAYER_1_NAME + '/kernel')  # weight的名字，是由對應層的名字，加上默認的"kernel"組成的
    bias = reader.get_tensor(LAYER_1_NAME + '/bias')  # bias的名字
    print(weights)
print(bias)
# 如果想打印模型中的所有參數名和參數值的話，把下面幾行取消註釋
    # var_to_shape_map = reader.get_variable_to_shape_map()
    # for key in var_to_shape_map:
    #     print("tensor name: ", key)
    #     print(reader.get_tensor(key))

文章來源：https://www.codelast.com/
上面程序的輸出：

step: 0, loss: 1.166642

step: 100, loss: 0.764896

step: 200, loss: 0.659553

step: 300, loss: 0.622590

step: 400, loss: 0.604577

step: 500, loss: 0.595308

step: 600, loss: 0.590193

step: 700, loss: 0.587147

step: 800, loss: 0.585213

step: 900, loss: 0.583916

model saved in path: ./checkpoint/model.ckpt

[[-3.0937738   3.6378026   0.91563785 -1.2663897  -0.09645918]

 [ 0.727915    0.22842272 -2.656725   -2.0831287  -3.4844823 ]]

[ 0.906906   -1.6009021   0.46897942  0.75946033  1.4348172 ]

注意，在取某一層的 weight 參數值的時候，我們用了以下方法：

weights = reader.get_tensor(LAYER_1_NAME + '/kernel')

這裏，weight 的名字，是類似於 "layer1/kernel" 這樣的字符串，其中，"layer1"就是在用 tf.layers.dense() 創建網絡的一個layer的時候，設置的 "name=xxx" 裏的名字。前面已經說過了，TF 裏把 weight 叫做 kernel，所以這裏的 weight 名是 "layer1/kernel" 而不是 "layer1/weight"！