同城信息商家的网站开发,网站建设进展情况汇报,重庆好的网站制作公司,适合广告公司的名字注意区分打印网络参数的个数和打印网络参数#xff08;权重和偏置#xff09;的个数
在TensorFlow 1.0 中#xff0c;可以通过使用tf.trainable_variables()获取模型的所有可训练参数#xff08;即权重和偏置#xff09;#xff0c;并使用sess.run()在会话中运行这些变量…注意区分打印网络参数的个数和打印网络参数权重和偏置的个数
在TensorFlow 1.0 中可以通过使用tf.trainable_variables()获取模型的所有可训练参数即权重和偏置并使用sess.run()在会话中运行这些变量来打印它们的值。
打印网络参数权重和偏置
import tensorflow as tf# 构建模型# 创建会话
with tf.Session() as sess:# 初始化所有变量sess.run(tf.global_variables_initializer())# 获取所有可训练的变量trainable_vars tf.trainable_variables()# 打印每个变量的名称和值for var in trainable_vars:print(var.name)print(sess.run(var))打印出网络参数的个数需要获取每个可训练参数的形状然后计算它们的乘积来得到每个参数的元素个数。最后将所有参数的元素个数相加即可得到网络参数的总个数。
import tensorflow as tf
import numpy as np# 构建模型# 创建会话
with tf.Session() as sess:# 初始化所有变量sess.run(tf.global_variables_initializer())# 获取所有可训练的变量trainable_vars tf.trainable_variables()# 计算所有参数的总个数total_parameters 0for variable in trainable_vars:# 获取变量的形状例如[5, 5, 1, 32]表示一个5x5的32通道卷积核shape variable.get_shape()# 计算当前变量的参数个数为形状的各维大小的乘积variable_parametes 1for dim in shape:variable_parametes * dim.value# 将当前变量的参数个数加到总个数上total_parameters variable_parametesprint(Total number of parameters in the network: {}.format(total_parameters))
