我想计算恒定卷积，比如模糊或重采样，并且希望在训练过程中它不会改变。
我能否将卷积核初始化为常数并在Keras中将其排除在训练之外？
更具体地说，我不想将其用于文档中声明的目的。我想通过这种方式实现残差网络：一个分支进行正常的可训练卷积，而并行分支则执行一些恒定的操作，比如平均。
回答：
您应该能够在定义层时传递trainable = False参数，或者在创建层之后设置layer.trainable = False属性。在后一种情况下，您需要事后重新编译。请参阅此处的常见问题解答。
然后，您可以通过传递kernel_initializer = initializer参数为层设置恒定权重。关于初始izers的更多信息，请参见此处。如果您已经在某处定义了权重矩阵，我想您需要定义一个自定义的初始izers来将权重设置为您所需的值。链接底部显示了如何定义自定义初始izers。假设您已经定义了my_constant_weight_matrix，像下面的简单代码可能有效：
def my_init(shape, dtype=None): # 注意它必须接受参数'shape'和'dtype'。
return my_constant_weight_matrixmodel.add(Conv2D(..., kernel_initializer=my_init)) # 用您的参数替换'...'不过，我尚未验证，当我进行Google搜索时，我看到了很多关于层冻结无法正常工作的错误报告。不过值得一试。
