数据结构
网络
关系型数据库管理系统 (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
社会学
服装设计
法律研究如何使用 TensorFlow 和 keras.Model 来追踪使用顺序模型定义的变量？
Tensorflow 可以用来创建一个通过创建顺序模型并使用该模型调用“tf.zeros”方法来追踪内部层的模型。
阅读更多： 什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协作创建神经网络？
包含至少一层卷积层的神经网络被称为卷积神经网络。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且通用的数据集上进行训练，那么这个模型可以有效地作为一个通用的视觉世界模型。它已经学习了特征映射，这意味着用户不必从头开始在一个大型数据集上训练一个大型模型。
TensorFlow Hub 是一个包含预训练 TensorFlow 模型的仓库。TensorFlow 可用于微调学习模型。
我们将了解如何使用 TensorFlow Hub 中的模型与 tf.keras，使用 TensorFlow Hub 中的图像分类模型。完成此操作后，可以执行迁移学习以微调模型以适应自定义图像类别。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。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助在浏览器上运行 Python 代码，无需任何配置，并可免费访问 GPU（图形处理单元）。Colaboratory 基于 Jupyter Notebook 构建。
示例
print("It tracks internal layers")
my_seq = tf.keras.Sequential([tf.keras.layers.Conv2D(1, (1, 1), input_shape=(None, None, 3)),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Conv2D(2, 1, padding='same'),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Conv2D(3, (1, 1)),
tf.keras.layers.BatchNormalization()])
my_seq(tf.zeros([1, 2, 3, 3]))
print("The architecture of the model is")
my_seq.summary()代码来源 −https://tensorflowcn.cn/tutorials/customization/custom_layers
输出
It tracks internal layers The architecture of the model is Model: "sequential_4" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d_3 (Conv2D) (None, None, None, 1) 4 _________________________________________________________________ batch_normalization_3 (Batch (None, None, None, 1) 4 _________________________________________________________________ conv2d_4 (Conv2D) (None, None, None, 2) 4 _________________________________________________________________ batch_normalization_4 (Batch (None, None, None, 2) 8 _________________________________________________________________ conv2d_5 (Conv2D) (None, None, None, 3) 9 _________________________________________________________________ batch_normalization_5 (Batch (None, None, None, 3) 12 ================================================================= Total params: 41 Trainable params: 29 Non-trainable params: 12 _________________________________________________________________
解释
很多时候，具有许多层的模型通常会一层一层地调用。
这是使用 tf.keras.Sequential 完成的。
更新于： 2021年2月25日
134 次浏览
广告