如何将CNN模型的卷积/全连接层权重转换为单行向量？

你的代码存在两个核心问题，导致形状不匹配报错：

• 权重提取逻辑有误：模型里的全连接层命名为dense_1、dense_2，但判断条件用了'fc' in layer.name，这会漏掉全连接层的权重。
• combine_weights是嵌套结构：每个层的layer.weights是包含权重矩阵和偏置向量的列表，所以combine_weights最终是嵌套列表（比如[[conv1_kernel, conv1_bias], [conv2_kernel, conv2_bias], ...]），直接用tf.stack会因各元素形状不同报错。

修正步骤 #

1. 调整权重提取条件：把判断条件里的'fc'改成'dense'，确保全连接层权重被正确提取。
2. 扁平化单个权重张量：遍历每个层的每个权重（kernel和bias），将其单独重塑为一维张量后收集。
3. 拼接所有一维张量：用tf.concat把所有一维张量拼接成一个完整的一维向量。

完整代码示例 #

# 初始化模型
model = create_model()

# 修正后的权重提取逻辑
combine_weights = []
for layer in model.layers:
    # 匹配卷积层（conv开头）和全连接层（dense开头）
    if 'conv' in layer.name or 'dense' in layer.name:
        # 遍历层内的每个权重（卷积核/全连接权重 + 偏置）
        for weight in layer.weights:
            # 将单个权重张量重塑为一维
            combine_weights.append(tf.reshape(weight, [-1]))

# 拼接所有一维张量，得到最终的单行向量
combine_weights_flat = tf.concat(combine_weights, axis=0)

结果验证 #

你可以通过print(combine_weights_flat.shape)查看最终形状，这个模型的总参数数为383242，所以输出应该是(383242,)。

内容的提问来源于stack exchange，提问作者CA Khan