如何理解Keras中layer.get_weights()返回的Conv2D层权重形状？

一、get_weights()返回的数组形状解析 #

Conv2D层调用get_weights()会返回两个数组：第一个是卷积核权重，第二个是偏置项（bias）。你提到的(5, 5, 1, 6)是卷积核权重的形状，各维度含义对应：

• 5, 5：卷积核的高度（行）和宽度（列），对应LeNet-5的5x5卷积核规格
• 1：输入特征图的通道数，你的输入是单通道灰度图（input_shape=(28,28,1)），所以这个维度固定为1
• 6：输出的卷积核总数（filters参数），也就是LeNet-5第一个卷积层的6个独立卷积核

二、权重数组与卷积核的映射关系 #

你看到的嵌套数组结构，本质是NumPy多维数组的索引逻辑，对应关系非常直接：
对于形状为(kernel_height, kernel_width, input_channels, num_filters)的权重数组：

• 最后一个维度num_filters对应不同的卷积核：索引0是第一个卷积核，1是第二个，以此类推到索引5的第六个卷积核
• 前两个维度kernel_height, kernel_width对应卷积核内部的行和列：注意索引从0开始，比如[2,2]就对应卷积核的第三行第三列
• 第三个维度input_channels对应输入通道：因为是单通道，这个维度始终取0

举两个具体操作的例子：

• 提取第一个卷积核的所有权重：weights[..., 0]（或weights[:, :, 0, 0]），得到的是一个(5,5)的数组，正好是一个完整的5x5卷积核
• 访问第三个卷积核（索引为2）第三行第三列的权重：直接取weights[2, 2, 0, 2]

三、可视化卷积核的示例代码 #

用Matplotlib可以把6个卷积核直观可视化，对应权重结构：

import matplotlib.pyplot as plt

# 获取第一个Conv2D层的卷积核权重（取返回数组的第一个元素）
conv1_weights = model.layers[0].get_weights()[0]

# 批量可视化6个卷积核
plt.figure(figsize=(12, 8))
for idx in range(6):
    # 提取第idx个卷积核的权重，形状为(5,5)
    kernel = conv1_weights[:, :, 0, idx]
    plt.subplot(2, 3, idx+1)
    plt.imshow(kernel, cmap='gray')
    plt.title(f'卷积核 {idx+1}')
    plt.axis('off')
plt.tight_layout()
plt.show()

运行后会得到6张5x5的灰度图，每张图对应一个卷积核的权重分布，和weights[..., idx]的索引完全一一对应。

四、关于偏置项的补充 #

get_weights()返回的第二个数组是偏置项，形状为(6,)，每个元素对应一个卷积核的偏置值，索引i对应第i+1个卷积核的偏置。

内容的提问来源于stack exchange，提问作者Syed Bilal Haider Bukhari