我正在手动将预训练的matconvnet模型转换为TensorFlow模型。我使用scipy.io从matconvnet模型的mat文件中提取了权重和偏置，并获得了权重和偏置的numpy矩阵。
代码片段，其中data是scipy.io返回的字典：
for i in data['net2']['layers']: if i.type == 'conv': model.append({'weights': i.weights[0], 'bias': i.weights[1], 'stride': i.stride, 'padding': i.pad, 'momentum': i.momentum,'lr': i.learningRate,'weight_decay': i.weightDecay})…
weights = { 'wc1': tf.Variable(model[0]['weights']), 'wc2': tf.Variable(model[2]['weights']), 'wc3': tf.Variable(model[4]['weights']), 'wc4': tf.Variable(model[6]['weights'])}…
其中model[0]['weights']是从matconvnet模型中提取的4x4x60的numpy矩阵，用于某一层。例如，这就是我定义9×9输入的占位符的方式。
X = tf.placeholder(tf.float32, [None, 9, 9]) #也尝试过使用[None, 81]和tf.reshape，以及[None, 9, 9, 1]当前问题：我无法使秩匹配。我持续收到ValueError：
ValueError: Shape must be rank 4 but is rank 3 for 'Conv2D' (op: 'Conv2D') with input shapes: [?,9,9], [4,4,60] 总结
- 是否可以从numpy数组中明确定义tensorflow模型的权重？
- 为什么我的权重矩阵的秩是4？我的numpy数组是否应该更像[?, 4, 4, 60]，我可以这样做吗？
尝试过的但未成功的方法：
- 旋转numpy矩阵：我知道matlab和python有不同的索引方式（基于0的索引与基于1的索引，以及行优先与列优先）。尽管我相信我已经适当地转换了一切，但我仍然尝试使用像np.rot90()这样的库，将4x4x60数组转换为60x4x4。
- 使用tf.reshape：我尝试在用tf.Variable包装权重后使用tf.reshape，但我得到的错误是“Variable没有属性’reshape’”。
注意：请注意，我知道有许多脚本可以从matconvnet转换到caffe，再从caffe转换到tensorflow（例如，这里描述的，https://github.com/vlfeat/matconvnet/issues/1021）。我的问题与tensorflow权重初始化选项有关：
- https://github.com/zoharby/matconvnet/blob/master/utils/convert_matconvnet_caffe.m
- https://github.com/ethereon/caffe-tensorflow
回答：
我通过使用tf.reshape(...)（而不是调用weights['wc1'].reshape(...)）克服了这个障碍。我仍然不确定性能，或者这是否是一个非常幼稚的尝试。
更新 进一步的测试显示，这种方法至少在功能上是可行的（也就是说，我已经创建了一个TensorFlow CNN模型，它可以运行并产生与MatConvNet模型一致的预测。我对两者之间的准确性不做任何声明）。
我分享了我的代码。在我的情况下，这是一个非常小的网络 – 如果你试图将这个代码用于你自己的matconvnet到tensorflow项目，你可能会需要更多的修改：https://github.com/melissadale/MatConv2TensorFlow
