arcgis如何进行权重的叠加分析?我的是多图层的叠加分析!

Posted 2023-04-22

参考技术A 这个我做过.如果你的矢量图层数据质量较好（没有拓扑错误）的话,直接用矢量数据做就可以.方法是：1、对每一个用到的数据图层,添加属性（如渗透系数层加个字段“stxs”,并在该字段下加入等级属性,然后再添加一个字段...

如何在 Keras 中获取图层的权重？

【中文标题】如何在 Keras 中获取图层的权重？

【英文标题】：How do I get the weights of a layer in Keras?

【发布时间】：2017-09-28 15:05:48

【问题描述】：

我使用的是 Windows 10、Python 3.5 和 tensorflow 1.1.0。我有以下脚本：

import tensorflow as tf
import tensorflow.contrib.keras.api.keras.backend as K
from tensorflow.contrib.keras.api.keras.layers import Dense

tf.reset_default_graph()
init = tf.global_variables_initializer()
sess =  tf.Session()
K.set_session(sess) # Keras will use this sesssion to initialize all variables

input_x = tf.placeholder(tf.float32, [None, 10], name='input_x')    
dense1 = Dense(10, activation='relu')(input_x)

sess.run(init)

dense1.get_weights()

我收到错误：AttributeError: 'Tensor' object has no attribute 'weights'

我做错了什么，如何获得dense1 的权重？我看过 this 和 this SO 帖子，但我仍然无法让它工作。

【参考方案1】：

如果你想得到所有层的权重和偏差，你可以简单地使用：

for layer in model.layers: print(layer.get_config(), layer.get_weights())

这将打印所有相关信息。

如果你希望权重直接返回为 numpy 数组，你可以使用：

first_layer_weights = model.layers[0].get_weights()[0]
first_layer_biases  = model.layers[0].get_weights()[1]
second_layer_weights = model.layers[1].get_weights()[0]
second_layer_biases  = model.layers[1].get_weights()[1]

等等

【参考方案2】：

如果你写：

dense1 = Dense(10, activation='relu')(input_x)

那么dense1 不是层，是层的输出。图层为Dense(10, activation='relu')

看来你的意思是：

dense1 = Dense(10, activation='relu')
y = dense1(input_x)

这是一个完整的sn-p：

import tensorflow as tf
from tensorflow.contrib.keras import layers

input_x = tf.placeholder(tf.float32, [None, 10], name='input_x')    
dense1 = layers.Dense(10, activation='relu')
y = dense1(input_x)

weights = dense1.get_weights()

【讨论】：

如果我想要多层，这样做的适当方法是什么？ IE。有没有比y=dense2(dense1(input_x))更好的方法

感谢您的解释。提供清晰度。

【参考方案3】：

如果您想查看您的层的权重和偏差如何随时间变化，您可以添加一个回调来记录它们在每个训练时期的值。

以这样的模型为例，

import numpy as np
model = Sequential([Dense(16, input_shape=(train_inp_s.shape[1:])), Dense(12), Dense(6), Dense(1)])

在拟合期间添加回调 **kwarg：

gw = GetWeights()
model.fit(X, y, validation_split=0.15, epochs=10, batch_size=100, callbacks=[gw])

回调定义的地方

class GetWeights(Callback):
    # Keras callback which collects values of weights and biases at each epoch
    def __init__(self):
        super(GetWeights, self).__init__()
        self.weight_dict = 

    def on_epoch_end(self, epoch, logs=None):
        # this function runs at the end of each epoch

        # loop over each layer and get weights and biases
        for layer_i in range(len(self.model.layers)):
            w = self.model.layers[layer_i].get_weights()[0]
            b = self.model.layers[layer_i].get_weights()[1]
            print('Layer %s has weights of shape %s and biases of shape %s' %(
                layer_i, np.shape(w), np.shape(b)))

            # save all weights and biases inside a dictionary
            if epoch == 0:
                # create array to hold weights and biases
                self.weight_dict['w_'+str(layer_i+1)] = w
                self.weight_dict['b_'+str(layer_i+1)] = b
            else:
                # append new weights to previously-created weights array
                self.weight_dict['w_'+str(layer_i+1)] = np.dstack(
                    (self.weight_dict['w_'+str(layer_i+1)], w))
                # append new weights to previously-created weights array
                self.weight_dict['b_'+str(layer_i+1)] = np.dstack(
                    (self.weight_dict['b_'+str(layer_i+1)], b))

此回调将构建一个包含所有层权重和偏差的字典，并由层号标记，因此您可以在训练模型时看到它们如何随时间变化。您会注意到每个权重和偏差数组的形状取决于模型层的形状。为模型中的每一层保存一个权重数组和一个偏置数组。第三个轴（深度）显示了它们随时间的演变。

这里我们使用了 10 个 epoch 和一个具有 16、12、6 和 1 个神经元层的模型：

for key in gw.weight_dict:
    print(str(key) + ' shape: %s' %str(np.shape(gw.weight_dict[key])))

w_1 shape: (5, 16, 10)
b_1 shape: (1, 16, 10)
w_2 shape: (16, 12, 10)
b_2 shape: (1, 12, 10)
w_3 shape: (12, 6, 10)
b_3 shape: (1, 6, 10)
w_4 shape: (6, 1, 10)
b_4 shape: (1, 1, 10)

【讨论】：

批量得到的矩阵也可以保存吗？还是经过一定数量的批次？

【参考方案4】：

如果图层索引号令人困惑，您也可以使用图层名称

权重：

model.get_layer(<<layer_name>>).get_weights()[0]

偏见：

model.get_layer(<<layer_name>>).get_weights()[1]