python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > TensorFlow自定义层及模型保存

python人工智能TensorFlow自定义层及模型保存

作者:Swayzzu

这篇文章主要为大家介绍了python人工智能TensorFlow自定义层及模型保存示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步

一、自定义层和网络

1.自定义层

①必须继承自layers.layer

②必须实现两个方法,__init__和call

这个层,实现的就是创建参数,以及一层的前向传播。

添加参数使用self.add_weight,直接调用即可,因为已经在母类中实现。

在call方法中,实现前向传播并返回结果即可。

2.自定义网络

①必须继承自keras.Model

②必须实现两个方法,__init__和call

这个网络,就可以使用我们定义好的MyDense层,来进行堆叠。

在init方法中设置好每一层的连接方式,以及维度。

在call方法中,就要实现前向传播,可以在这里对网络结构前向传播进行实现。如果在层中没有添加activation的话,在这里需要添加relu等激活函数。

二、模型的保存和加载

1.保存参数

通过save_weights方法可以保存参数,提供路径即可,加载的时候,先创建好和之前的网络结构一模一样的网络结构,导入参数即可。

2.保存整个模型

通过model.save(),保存整个模型,包括结构,层的名字,参数,维度等等所有信息。

恢复的时候不需要再创建网络。直接通过tf.keras.models.load_model读取即可。

以上就是python人工智能TensorFlow自定义层及模型保存的详细内容,更多关于TensorFlow自定义层及模型保存的资料请关注脚本之家其它相关文章!

您可能感兴趣的文章:
阅读全文