问题描述
我了解到我们可以使用函数layer.get_weights()来获取图层的权重和偏差。这将返回一个长度为2的列表。图层的权重存储在layer.get_weights()[0]，偏差存储在layer.get_weights()[1]（如果在定义图层时未禁用偏差）。对于正常的卷积层来说就是这样。
我最近在EfficientDet model中将可分离卷积层用作我的层之一。
layers.SeparableConv2D(num_channels,kernel_size=kernel_size,strides=strides,padding='same',use_bias=True,name=str(name)+"/conv")
当我尝试使用相同的layer.get_weights()函数时，它向我返回了length 3的列表，我希望它是2，与上面的相同。
对此，我对列表中的三个值分别感到有些困惑。
任何帮助和建议，将不胜感激。
解决方法
SeparableConv2D层正在计算深度可分离卷积，该卷积与常规卷积不同，需要2个内核（2个权重张量）。无需赘述，它使用第一个内核来计算深度卷积，应用此操作后，它使用第二个内核来计算逐点卷积。其背后的主要思想是减少参数数量，从而减少计算数量。
这是一个简单的例子。假设我们输入的图像为28x28x3（宽度，高度，＃channels），并且应用了正常的2D卷积（假设有16个滤镜和5x5内核，没有跨步/填充）。
如果我们进行计算，则结果为5x5x3x16（5x5过滤器大小，3个输入通道和16个过滤器）= 1200个内核参数+ 16个偏置参数（每个过滤器一个）=1216。我们可以对此进行验证
model = tf.keras.models.Sequential([
tf.keras.layers.Input(shape=(28,28,3)),tf.keras.layers.Conv2D(16,(5,5)),])
model.summary()
给我们
Layer (type) Output Shape Param #
=================================================================
conv2d_4 (Conv2D) (None,24,16) 1216
，如果我们提取内核参数。
print(model.layers[0].get_weights()[0].shape)
这给了我们
(5,5,3,16)
现在，让我们考虑具有2个内核的可分离2D卷积，深度内核由每个输入通道的单独5x5x1权重矩阵组成，在我们的示例中为5x5x3（5x5x3x1-与4D keras张量一致）。这给了我们75个参数。
逐点内核是一个简单的1x1卷积（在每个输入点上运行），用于将结果的深度增加到指定过滤器的数量。在我们的示例中-1x1x3x16，它为我们提供了48个参数。
总共，第一个内核有75个参数，第二个内核有48个参数，这给了我们123个参数，再加上16个偏置参数。那是139个参数。
在喀拉拉邦，
model = tf.keras.models.Sequential([
tf.keras.layers.Input(shape=(28,tf.keras.layers.SeparableConv2D(16,])
model.summary()
给我们
Layer (type) Output Shape Param #
=================================================================
separable_conv2d_7 (Separabl (None,16) 139
我们可以看到，该层的输出形状与普通卷积层完全相同，但是现在我们有了2个内核，它们的参数要少得多。同样，我们可以提取这两个内核的参数，
print(model.layers[0].get_weights()[0].shape)
print(model.layers[0].get_weights()[1].shape)
这给了我们
(5,1)
(1,1,16)
如果您想了解有关可分离卷积如何工作的更多详细信息，可以阅读this article。