数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何使用Tensorflow调用层并获取层中存在的变量？
可以通过首先定义层，然后使用“layer.kernel”和“layer.bias”访问这些变量来使用Tensorflow调用层并获取层中存在的变量。“tf.zeros”被使用，并且可以迭代和调用层。
阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？
包含至少一层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
图像分类迁移学习背后的直觉是，如果一个模型在大型通用数据集上进行训练，则该模型可以有效地用作视觉世界的通用模型。它将学习特征图，这意味着用户无需从头开始在大型数据集上训练大型模型。
TensorFlow Hub是一个包含预训练TensorFlow模型的存储库。TensorFlow可用于微调学习模型。
我们将了解如何使用来自TensorFlow Hub的模型与tf.keras，使用来自TensorFlow Hub的图像分类模型。完成此操作后，可以执行迁移学习以微调模型以用于自定义图像类别。这是通过使用预训练的分类器模型来获取图像并预测它是做什么的。这可以在无需任何训练的情况下完成。
我们正在使用Google Colaboratory运行以下代码。Google Colab或Colaboratory有助于通过浏览器运行Python代码，并且无需任何配置即可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
示例
print("Layer is being called")
layer = MyDenseLayer(10)
_ = layer(tf.zeros([10, 5]))
print([var.name for var in layer.trainable_variables])代码来源 -https://tensorflowcn.cn/tutorials/customization/custom_layers
输出
Layer is being called ['my_dense_layer/kernel:0']
解释
调用该层。
在控制台上显示层的名称以及与层关联的变量。
更新于： 2021年2月25日
89 次浏览
广告