网站asp怎么没有菜单栏,维影企业网站管理系统,网站创建方案,大理 网站建设文章目录 概要流程 概要
通过以下实例#xff0c;你将学会如何查看神经网络结构并打印出训练参数。 流程
准备一个简易的二分类数据集#xff0c;并编写一个单层的神经网络
train_data np.array([[1, 2, 3, 4, 5], [7, 7, 2, 4, 10], [1, 9, 3, 6, 5], [6, 7, 8, 9, 10]]… 文章目录 概要流程 概要
通过以下实例你将学会如何查看神经网络结构并打印出训练参数。 流程
准备一个简易的二分类数据集并编写一个单层的神经网络
train_data np.array([[1, 2, 3, 4, 5], [7, 7, 2, 4, 10], [1, 9, 3, 6, 5], [6, 7, 8, 9, 10]])train_label np.array([1, 0, 1, 0]) #标签与样本一一对齐 定义一个单层的神经网络
model tf.keras.models.Sequential([tf.keras.layers.Dense(1, activationNone)
])
编译训练并保存模型
model.compile(losstf.keras.losses.BinaryCrossentropy(from_logitsTrue),optimizeradam
)
model.fit(train_data,train_label,epochs2750)tf.saved_model.save(model, model_dir) #保存到当前目录中目录名为model_dir
模型保存形式 模型节点和矩阵参数集中保存在 .data-00000-of-00001和 .index文件中利用这两个文件中创建CheckpointReader对象。 利用模型的Checkpoint对象查看模型结构和参数 Checkpoint对象存储了模型中所有可tracable追踪的对象并记录保存着这些对象的参数及名称。可通过 tf.train.load_checkpoint()方法获得一个CheckpointReader对象该对象可以读取Checkpoint内的所有信息。 最后的variables是.data-00000-of-00001和 .index文件去掉后缀后的表达形式,从而统一代表着这两个文件
save_path ./model_dir/variables/variables # reader tf.train.load_checkpoint(save_path) # 得到CheckpointReader 打印Checkpoint中存储的所有参数名和参数shape
for variable_name, variable_shape in reader.get_variable_to_shape_map().items():print(f{variable_name} : {variable_shape})
optimizer/_variables/2/.ATTRIBUTES/VARIABLE_VALUE : [5, 1]
optimizer/_iterations/.ATTRIBUTES/VARIABLE_VALUE : []
_CHECKPOINTABLE_OBJECT_GRAPH : []
keras_api/metrics/0/count/.ATTRIBUTES/VARIABLE_VALUE : []
keras_api/metrics/0/total/.ATTRIBUTES/VARIABLE_VALUE : []
layer_with_weights-0/bias/.ATTRIBUTES/VARIABLE_VALUE : [1]
layer_with_weights-0/kernel/.ATTRIBUTES/VARIABLE_VALUE : [5, 1]
optimizer/_variables/1/.ATTRIBUTES/VARIABLE_VALUE : [5, 1]
optimizer/_learning_rate/.ATTRIBUTES/VARIABLE_VALUE : []
optimizer/_variables/3/.ATTRIBUTES/VARIABLE_VALUE : [1]
optimizer/_variables/4/.ATTRIBUTES/VARIABLE_VALUE : [1] 其中Dense层的权重参数和偏差bias的显示信息为 layer_with_weights-0/bias/.ATTRIBUTES/VARIABLE_VALUE : [1] layer_with_weights-0/kernel/.ATTRIBUTES/VARIABLE_VALUE : [5, 1] 接着利用刚刚打印出的参数名即可查看其参数值 print(reader.get_tensor(layer_with_weights-0/kernel/.ATTRIBUTES/VARIABLE_VALUE))
print(reader.get_tensor(layer_with_weights-0/bias/.ATTRIBUTES/VARIABLE_VALUE))[[-1.7741445 ][-0.07314294][-0.07213379][ 1.1694099 ][-0.36803177]][1.7487208] 验证
model tf.saved_model.load(model_dir)
print(model([[1, 2, 3, 4, 5]]))
output -1.7741445 - 2*0.07314294 - 3*0.07213379 4*1.1694099 - 5*0.368031771.7487208
print(output)tf.Tensor([[2.4493697]], shape(1, 1), dtypefloat32)2.4493698000000004
