问题描述
我正在尝试应用此处描述的第一种技术（https://arxiv.org/abs/1510.00149）。 基本上，我想减轻resnet卷积网络的负担，修改权重的存储和使用方式-简而言之，我想将每个权重矩阵转换为索引矩阵，其中每个索引对应于k个值的向量，其中每个这些值是原始矩阵在k个簇上的质心。
为此，我需要更改每个权重的存储方式以及用于卷积的方式。我通过Tensorflow中实现的一个小型CNN做到了这一点，因为使用tf.nn.Conv2d（https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/nn/conv2d）的操作，您直接传递了TF用于卷积的权重。
现在的问题是，我也在尝试使用tf-slim（https://github.com/google-research/tf-slim/tree/8f0215e924996d7287392241bc8d8b1133d0c5ca）将此方法应用于resnet实现，在该实现中，每个卷积运算都使用tf.python应用于模型中。图层（https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/layers/Conv2D）-在这种方法中，您无权访问权重矩阵，只需将输入和要应用的过滤器数量（当然还有其他参数）传递给Tensorflow，函数将仅返回卷积的结果，从而将Tensorlfow自动存储和训练的部分权重隐藏起来。
问题是：如何获得它？有没有办法介入这种卷积的实现部分？我只需要找到一种方法即可找到将实际权重矩阵传递给函数的方法。
谢谢。
p.s。只是给您一些代码和具体示例：我想以某种方式转换此tf.slim.convolution实现，以吸收模型的权重，并以恢复经典权重矩阵的方式更新它们并将其传递给卷积。
layer = tf.layers.Conv2D(
filters=num_outputs,kernel_size=kernel_size,strides=stride,padding=padding,data_format=df,dilation_rate=rate,activation=None,use_bias=not normalizer_fn and biases_initializer,kernel_initializer=weights_initializer,bias_initializer=biases_initializer,kernel_regularizer=weights_regularizer,bias_regularizer=biases_regularizer,activity_regularizer=None,trainable=trainable,name=sc.name,dtype=inputs.dtype.base_dtype,_scope=sc,_reuse=reuse)
outputs = layer.apply(inputs)
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）