在Keras自定义Conv2D层中无法为权重添加随机噪声，求协助

在Keras中，self.weights是只读属性列表，返回的是层变量的引用视图。直接通过self.weights[0] = ...赋值只是替换了列表中的元素引用，并没有真正修改底层的权重变量（比如卷积核self.kernel），所以你的修改不会生效。

方案一：直接修改权重变量（持久化修改） #

Keras卷积层的卷积核和偏置是tf.Variable对象，分别对应self.kernel和self.bias（启用偏置时）。要修改它们的值，必须使用assign或assign_add方法：

class Conv2D_New(tf.keras.layers.Conv2D):       
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        
    def call(self, inputs):
        random_noise = tf.random.normal(stddev=0.01, shape=self.kernel.shape)
        # 使用assign_add给卷积核添加噪声，直接修改变量值
        self.kernel.assign_add(random_noise)
        tf.print(self.kernel)  # 现在可以看到权重变化
        return super().call(inputs)

方案二：临时使用带噪声的权重（不修改原始权重） #

如果不想改变原始权重，只是在当前前向传播中临时加入噪声，可以手动执行卷积运算，使用带噪声的权重，原始self.kernel不会被修改：

class Conv2D_New(tf.keras.layers.Conv2D):       
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        
    def call(self, inputs):
        # 生成带噪声的卷积核，不修改原始变量
        noisy_kernel = self.kernel + tf.random.normal(stddev=0.01, shape=self.kernel.shape)
        
        # 手动执行卷积运算
        outputs = tf.nn.conv2d(
            inputs,
            noisy_kernel,
            strides=self.strides,
            padding=self.padding.upper(),
            data_format=self.data_format,
            dilations=self.dilation_rate
        )
        
        # 处理偏置和激活函数
        if self.use_bias:
            outputs = tf.nn.bias_add(
                outputs,
                self.bias,
                data_format=self.data_format
            )
        if self.activation is not None:
            outputs = self.activation(outputs)
            
        return outputs

两种方案的区别 #

• 方案一的修改是持久化的：加噪声后的权重会保留，后续的前向传播和反向传播（比如优化器更新）都会基于这个修改后的权重。
• 方案二的噪声是临时的：仅在当前前向传播中生效，原始权重保持不变，适合只需要在推理时临时添加噪声的场景。

内容的提问来源于stack exchange，提问作者hmedu