数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会研究
服装研究
法律研究如何使用TensorFlow获取层中的变量？
可以使用TensorFlow通过使用“layer.Variables”显示层中的变量，然后使用“layer.kernel”和“layer.bias”访问这些变量来获取层中的变量。
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被称为卷积层。我们可以使用卷积神经网络来构建学习模型。
图像分类迁移学习背后的直觉是，如果一个模型在一个大型通用数据集上进行训练，那么这个模型可以有效地作为一个通用的视觉世界模型。它将学习特征图，这意味着用户不必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用于自定义图像类的模型。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哪个来完成的。这可以在不需要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帮助在浏览器上运行Python代码，无需任何配置即可免费访问GPU（图形处理单元）。Colaboratory是基于Jupyter Notebook构建的。
示例
print("The variables in a layer")
print(layer.variables)
print("Variables can be accessed through nice accessors")
print(layer.kernel, layer.bias)代码来源 −https://tensorflowcn.cn/tutorials/customization/custom_layers
输出
The variables in a layer [<tf.Variable 'dense_5/kernel:0' shape=(5, 10) dtype=float32, numpy= array([[-0.05103415, -0.6048388 , -0.09445673, 0.00147319, 0.5958504 , 0.03832638, -0.4617405 , 0.22488767, -0.521616 , -0.4939174 ], [ 0.2143982 , -0.42745167, -0.19899327, 0.011585 , 0.39148778, -0.5193864 , 0.11133379, 0.07244939, -0.42842603, -0.07152319], [ 0.09674573, 0.08572572, -0.44079286, -0.10669523, 0.1977045 , 0.04525411, 0.41716915, 0.2611121 , -0.1167441 , -0.26781783], [ 0.38834113, -0.5396006 , -0.33349523, -0.5882891 , -0.2575687 , -0.33869067, 0.56990904, 0.3368895 , 0.6290985 , -0.31278375], [-0.40759754, 0.18778783, 0.11296159, 0.35683256, -0.16895893, -0.55790913, 0.5088188 , -0.06520861, -0.24566567, -0.15854272]], dtype=float32)>, <tf.Variable 'dense_5/bias:0' shape=(10,) dtype=float32, numpy=array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], dtype=float32)>] Variables can be accessed through nice accessors <tf.Variable 'dense_5/kernel:0' shape=(5, 10) dtype=float32, numpy= array([[-0.05103415, -0.6048388 , -0.09445673, 0.00147319, 0.5958504 , 0.03832638, -0.4617405 , 0.22488767, -0.521616 , -0.4939174 ], [ 0.2143982 , -0.42745167, -0.19899327, 0.011585 , 0.39148778, -0.5193864 , 0.11133379, 0.07244939, -0.42842603, -0.07152319], [ 0.09674573, 0.08572572, -0.44079286, -0.10669523, 0.1977045 , 0.04525411, 0.41716915, 0.2611121 , -0.1167441 , -0.26781783], [ 0.38834113, -0.5396006 , -0.33349523, -0.5882891 , -0.2575687 , -0.33869067, 0.56990904, 0.3368895 , 0.6290985 , -0.31278375], [-0.40759754, 0.18778783, 0.11296159, 0.35683256, -0.16895893, -0.55790913, 0.5088188 , -0.06520861, -0.24566567, -0.15854272]], dtype=float32)> <tf.Variable 'dense_5/bias:0' shape=(10,) dtype=float32, numpy=array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], dtype=float32)>
解释
- 层有很多方法。
- 可以使用层中的方法检查所有变量。
- 全连接层将具有权重和偏差变量。
更新于：2021年2月25日
437 次浏览
广告