15.Tensorflow2.0 Keras高层接口

最新推荐文章于 2022-02-12 21:34:22 发布
最新推荐文章于 2022-02-12 21:34:22 发布
阅读量683 收藏 4
点赞数
分类专栏： tensorflow2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fanjianhai/article/details/103310911
版权

1. Keras.Metrics （度量指标）

在这里插入图片描述

1.1. Build a meter

在这里插入图片描述

1.2. Update data

在这里插入图片描述

1.3. Get Average data

在这里插入图片描述

1.4. Clear buffer

在这里插入图片描述

1.5. Code

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics


def pre_process(x, y):
    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)

    return x, y


batch_size = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets: ', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(pre_process).shuffle(60000).batch(batch_size).repeat(10)

ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(pre_process).batch(batch_size)

model = Sequential([layers.Dense(256, activation='relu'),
                    layers.Dense(128, activation='relu'),
                    layers.Dense(64, activation='relu'),
                    layers.Dense(32, activation='relu'),
                    layers.Dense(10, activation='relu')
                    ])

model.build(input_shape=(None, 28 * 28))
model.summary()

optimizer = optimizers.Adam(learning_rate=1e-3)

acc_meter = metrics.Accuracy()
loss_meter = metrics.Mean()

for step, (x, y) in enumerate(db):
    with tf.GradientTape() as tape:
        # [b, 28, 28] => [b, 784]
        x = tf.reshape(x, (-1, 28 * 28))
        # [b, 784] => [b, 10]
        out = model(x)
        # [b] => [b, 10]
        y_onehot = tf.one_hot(y, depth=10)
        # [b]
        loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot, out, from_logits=True))
        loss_meter.update_state(loss)

    grads = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(grads, model.trainable_variables))

    if step % 100 == 0:
        print(step, 'loss:', loss_meter.result().numpy())

    # evaluate
    if step % 500 == 0:
        total, total_correct = 0., 0
        acc_meter.reset_states()

        for step, (x, y) in enumerate(ds_val):
            # [b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28*28))
            # [b, 784] => [b, 10]
            out = model(x)

            # [b, 10] => [b]
            pred = tf.argmax(out, axis=1)
            pred = tf.cast(pred, dtype=tf.int32)
            # bool type
            correct = tf.equal(pred, y)
            # bool tensor => int tensor => numpy
            total_correct += tf.reduce_sum(tf.cast(correct, dtype=tf.int32)).numpy()
            total += x.shape[0]

            acc_meter.update_state(y, pred)

        print(step, " Evaluate acc:", total_correct/total, acc_meter.result().numpy())

1.6. 测试结果

0 loss: 2.2957244
78  Evaluate acc: 0.1831 0.1831
100 loss: 1.2260486
200 loss: 1.0626991
300 loss: 0.9883962
400 loss: 0.9474341
500 loss: 0.92040706
78  Evaluate acc: 0.6759 0.6759
600 loss: 0.8984385
700 loss: 0.88047
800 loss: 0.86719453
900 loss: 0.85594875
1000 loss: 0.8451226
78  Evaluate acc: 0.6831 0.6831
1100 loss: 0.83795416
1200 loss: 0.8301951
1300 loss: 0.8243892
1400 loss: 0.81990254
1500 loss: 0.8136047
78  Evaluate acc: 0.6837 0.6837
1600 loss: 0.80968654
1700 loss: 0.80532765
1800 loss: 0.8013762
1900 loss: 0.79705083
2000 loss: 0.792495
78  Evaluate acc: 0.6869 0.6869
2100 loss: 0.78891665
2200 loss: 0.78668064
2300 loss: 0.7847733
2400 loss: 0.7820607
2500 loss: 0.7791471
78  Evaluate acc: 0.6842 0.6842
2600 loss: 0.77668834
2700 loss: 0.77496046
2800 loss: 0.7732897
2900 loss: 0.7712144
3000 loss: 0.7693945
78  Evaluate acc: 0.6859 0.6859
3100 loss: 0.7674685
3200 loss: 0.7662053
3300 loss: 0.7646868
3400 loss: 0.7630929
3500 loss: 0.7568395
78  Evaluate acc: 0.7754 0.7754
3600 loss: 0.749667
3700 loss: 0.74337995
3800 loss: 0.73666996
3900 loss: 0.73019713
4000 loss: 0.7240193
78  Evaluate acc: 0.7788 0.7788
4100 loss: 0.7184695
4200 loss: 0.7131745
4300 loss: 0.70784307
4400 loss: 0.70276886
4500 loss: 0.6979761
78  Evaluate acc: 0.7794 0.7794
4600 loss: 0.69365555

2. Compile&Fit

在这里插入图片描述

2.1. Code

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential


def pre_process(x, y):
    """
    x is a simple image, not a batch
    """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batch_size = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(pre_process).shuffle(60000).batch(batch_size)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(pre_process).batch(batch_size)


network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])
network.build(input_shape=(None, 28 * 28))
network.summary()

network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.fit(db, epochs=5, validation_data=ds_val, validation_freq=2)

network.evaluate(ds_val)

2.2. 测试结果

在这里插入图片描述

3. 自定义网络

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers, Sequential


def pre_process(x, y):
    """
    x is a simple image, not a batch
    """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batch_size = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(pre_process).shuffle(60000).batch(batch_size)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(pre_process).batch(batch_size)

network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])
network.build(input_shape=(None, 28 * 28))
network.summary()


class MyDense(layers.Layer):

    def __init__(self, inp_dim, outp_dim):
        super(MyDense, self).__init__()

        self.kernel = self.add_weight('w', [inp_dim, outp_dim])
        self.bias = self.add_weight('b', [outp_dim])

    def call(self, inputs, training=None):
        out = inputs @ self.kernel + self.bias

        return out


class MyModel(keras.Model):

    def __init__(self):
        super(MyModel, self).__init__()

        self.fc1 = MyDense(28 * 28, 256)
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        self.fc5 = MyDense(32, 10)

    def call(self, inputs, training=None):
        x = self.fc1(inputs)
        x = tf.nn.relu(x)
        x = self.fc2(x)
        x = tf.nn.relu(x)
        x = self.fc3(x)
        x = tf.nn.relu(x)
        x = self.fc4(x)
        x = tf.nn.relu(x)
        x = self.fc5(x)

        return x


network = MyModel()

network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.fit(db, epochs=5, validation_data=ds_val,
            validation_freq=2)

network.evaluate(ds_val)

4. 模型的保存与加载

4.1. save/load weights

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics


def pre_process(x, y):
    """
    x is a simple image, not a batch
    """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batch_size = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(pre_process).shuffle(60000).batch(batch_size)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(pre_process).batch(batch_size)

network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])

network.build(input_shape=(None, 28 * 28))
network.summary()

network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.fit(db, epochs=3, validation_data=ds_val, validation_freq=2)

network.evaluate(ds_val)
# 保存权重， 参数
network.save_weights('ckpt/weights.ckpt')
print('saved weights.')
del network

network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])
network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )
# 加载权重， 参数
network.load_weights('ckpt/weights.ckpt')
print('loaded weights!')
# 计算准确率
network.evaluate(ds_val)

在这里插入图片描述

4.2. save/load entire model

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics


def pre_process(x, y):
    """
    x is a simple image, not a batch
    """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [28 * 28])
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=10)
    return x, y


batch_size = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(pre_process).shuffle(60000).batch(batch_size)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(pre_process).batch(batch_size)

network = Sequential([layers.Dense(256, activation='relu'),
                      layers.Dense(128, activation='relu'),
                      layers.Dense(64, activation='relu'),
                      layers.Dense(32, activation='relu'),
                      layers.Dense(10)])
network.build(input_shape=(None, 28 * 28))
network.summary()

network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.fit(db, epochs=3, validation_data=ds_val, validation_freq=2)

network.evaluate(ds_val)
# 保存模型
network.save('model/model.h5')
print('saved total model.')
del network

# 加载模型
print('loaded model from file.')
network = tf.keras.models.load_model('model/model.h5', compile=False)

network.compile(optimizer=optimizers.Adam(lr=0.01),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy']
                )

network.evaluate(ds_val)

在这里插入图片描述

4.3. saved_model

在这里插入图片描述

5. Keras实战CIFAR10

5.1. CIFAR10

在这里插入图片描述

5.2. My Dense layer

在这里插入图片描述

5.3. Code

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'


def pre_process(x, y):
    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)

    return x, y


batch_size = 128
# (50000, 32, 32, 3) (50000, 1)
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
# (50000, 32, 32, 3) (50000,)
y = tf.squeeze(y)
y_val = tf.squeeze(y_val)
# (50000, 32, 32, 3) (50000, 10)
y = tf.one_hot(y, depth=10)
y_val = tf.one_hot(y_val, depth=10)

train_db = tf.data.Dataset.from_tensor_slices((x, y))
train_db = train_db.map(pre_process).shuffle(10000).batch(batch_size)

test_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
test_db = test_db.map(pre_process).batch(batch_size)

sample = next(iter(train_db))
# batch:  (128, 32, 32, 3) (128, 10)
print("batch: ", sample[0].shape, sample[1].shape)


class MyDense(layers.Layer):
    """自定义层"""

    def __init__(self, input_dim, out_dim):
        super(MyDense, self).__init__()
        self.kernel = self.add_variable('w', [input_dim, out_dim])
        # 去掉偏置
        # self.bias = self.add_variable('b', [out_dim])

    def call(self, inputs, training=None):
        """前向传播的函数"""
        x = inputs @ self.kernel
        return x


class MyNetwork(keras.Model):

    def __init__(self):
        super(MyNetwork, self).__init__()
        self.fc1 = MyDense(32*32*3, 256)
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        self.fc5 = MyDense(32, 10)

    def call(self, inputs, training=None):
        """
        前向传播
        inputs: [b, 32, 32, 3]
        """
        x = tf.reshape(inputs, [-1, 32*32*3])

        x = self.fc1(x)
        x = tf.nn.relu(x)

        x = self.fc2(x)
        x = tf.nn.relu(x)

        x = self.fc3(x)
        x = tf.nn.relu(x)

        x = self.fc4(x)
        x = tf.nn.relu(x)

        x = self.fc5(x)

        return x


network = MyNetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.fit(train_db, epochs=5, validation_data=test_db, validation_freq=1)
# 模型的保存与加载测试
network.evaluate(test_db)
network.save_weights('ckpt/weights.ckpt')
del network
print('saved to ckpt/weights.ckpt')

network = MyNetwork()
network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.load_weights('ckpt/weights.ckpt')
print('loaded weights from file.')
network.evaluate(test_db)

6. 需要全套课程视频+PPT+代码资源可以私聊我

  • 方式1：CSDN私信我!
  • 方式2：QQ邮箱:594042358@qq.com或者直接加我QQ: 594042358!
越奋斗，越幸运
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
简单粗暴 TensorFlow（Xihan Li（雪麒））
CHEN_BR/BLOG
02-09 1412
简单粗暴TensorFlow | A Concise Handbook of TensorFlow 基于Eager Execution | Based on Eager Execution 在线阅读 | Read online : https://tf.wiki 备用地址 | Alternative URL：https://snowkylin.github.io/TensorFlow-cn/ 作者...
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建
AlexanderJLiu的博客
10-26 1652
「导语」TensorFlow 2.0 版发布以来，Keras 已经被深度集成于 TensorFlow 框架中，Keras API 也成为了构建深度网络模型的第一选择。使用 Keras 进行模型开发与迭代是每一个数据开发人员都需要掌握的一项基本技能，让我们一起走进 Keras 的世界一探究竟。 Keras 介绍 Keras 是一个用 Python 编写的高级神经网络 API ，它是一个独立的库，能够以 TensorFlow ， CNTK 或者 Theano 作为后端运行。 TensorFlow 从 ..
CIF100实战(VGG13)
风间琉璃的博客
02-12 1971
CIFAR-100 数据集就像CIFAR-10，除了它有100个类，每个类包含600个图像。，每类各有500个训练图像和100个测试图像。CIFAR-100 中的100个类被分成20个超类。每个图像都带有一个精细标签（它所属的类）和一个粗糙标签（它所属的超类） 这里使用比较强大的经典网络结构VGG13，根据数据集特点修改部分网络结构，完成 CIFAR100 图片识别。调整后的VGG13网络模型： 一、数据集加载以及数据集预处理 # 预处理 def preprocess(x, y...
人工智能|备战Tensorflow技能认证之两种快速构建模型的常用方式
算法与编程之美
04-02 1699
欢迎点击「算法与编程之美」↑关注我们！本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。1 前言Tensorflow认证考试内容五项中的第一项...
python & tensorflow2 & deeplearning &音频处理 & 声学事件检测
qq_22829061的博客
04-19 1659
1 pycharm 查看函数信息 按住ctrl键，将鼠标放到函数上，就会显示函数信息，点击进去可以查看函数源码。 2 pycharm 中的字母缩写的含义 method和function的区别： 与类和实例无绑定关系的function都属于函数（function）； 与类和实例有绑定关系的function都属于方法（method）。 3 线性回归程序 import numpy as np imp...
tensorflow2.0 keras 图片识别
12-03
在本项目中，我们主要探讨的是使用TensorFlow 2.0和Keras库进行图片识别的实践。TensorFlow是Google开发的一个开源机器学习框架，而Keras则是一个高级神经网络API，它运行在TensorFlow之上，简化了深度学习模型的...
通过cv处理验证码图片，基于TensorFlow2.0 keras 训练识别验证码模型.zip
最新发布
04-03
我们可以直接使用Keras内置的`tf.keras.applications.Xception`作为基础模型，并对其进行微调以适应验证码识别任务。 模型训练包括定义损失函数（如交叉熵）、优化器（如Adam）和训练超参数（如学习率、批次大小、...
tensorflow2-docs-zh:TF2.0 TensorFlow 2.0 TensorFlow2.0 官方文档中文版
05-29
TensorFlow 2 / 2.0 官方文档中文版相关链接，，，目录(持续更新)基础 - 机器学习基础 ML basics过拟合与欠拟合 Overfitting and underfitting保存和恢复模型 Save and restore models基础 - 图像分类卷积神经网络 ...
解决tensorflow.keras无法引入layers问题
01-06
最近想学习一下Keras，利用Conda创建的TensorFlow2.0环境开始进入Keras。刚开始搭建网络，TensorFlow2.0推荐使用Keras来构建网络结构。但是当我根据教程引入Keras时显示没有这个库。。具体是这样敲的。 报错显示我...
Tensorflow2.0课程代码库.zip
03-10
2. **Keras API**：TensorFlow 2.0 强调了 Keras API 作为主要的高级接口。Keras 是一个用户友好的、模块化的深度学习框架，支持快速构建和评估模型。Keras API 在 TensorFlow 2.0 中被深度集成，允许开发者轻松创建...
Tensorflow与神经网络
weixin_43723467的博客
03-03 217
数据加载 from tensorflow.keras import datasets # x : [60000, 28, 28] # y : [60000] (x, y), (x_val, y_val) = datasets.mnist.load_data() x = tf.convert_to_tensor(x, dtype=tf.float32) / 255. y = tf.convert_...
关于kereas、TensorFlow里的input_shape、shape的数据维度损失函数的定义方法
热门推荐
yangdeshun888的博客
05-25 4万+
1、其中其使用input_shape=(12,)，这个指的是输入一维的数据，其例子如下： # as first layer in a Sequential model model = Sequential() model.add(Reshape((3, 4), input_shape=(12,))) # now: model.output_shape == (None, 3, 4) # not...
tf.Keras.Model类总结
忆殇D.Rose的博客
09-19 2万+
tf.keras.Model类 tf.keras.Model类将定义好的网络结构封装入一个对象，用于训练、测试和预测。在这一块中，有两部分内容目前我还有疑惑，一个是xxx_on_batch三个方法，为什么要单独定义这个方法，而且train_on_batch方法为什么要强调是在单个batch上做梯度更新？第二个疑问是reset_metrics和reset_states函数有什么用，重置不重置对训练...
tensorflow 2.0 keras 高层接口 之 模型的加载与保存
ZHE
06-03 1248
7.3 模型的保存与加载Outlinesave/load weights完整代码save/load model完整代码saved_model Outline save/load weights save/load entire model saved_model save/load weights 保存权值 建立同样结构的模型 加载权值 使用模型 # save weights networ...
FlyAI竞赛使用tensorflow2.0进行海底物种分类
u012813109的博客
07-29 334
这是FlyAI的一个数据竞赛题目，使用tensorflow2.0构建卷积神经网络对海底的鱼类物种进行分类，数据集可以在FlyAI官网进行下载。 import tensorflow as tf import pandas as pd import cv2 import numpy as np def proprecess(x,y): x = tf.cast(x,dtype=tf.float32) / 255.0 y = tf.cast(y,dtype=tf.int32) retu
【TF2.0】【笔记】神经网络小结
lyx0708的专栏
03-01 1063
文章目录神经网络感知机全连接层神经网络优化目标激活函数SigmoidReLULeakyReLUTanh输出层的设计普通实数空间[0, 1][0, 1]和为1[-1, 1]误差计算均方差交叉熵神经网络的类型卷积神经网络循环神经网络注意力（机制）网络图神经网络油耗预测实战 神经网络 感知机 感知机 Perceptron 感知机的偏置 bias 感知机的权重 weight 感知机的净活性值 z ...
Embedding原理和Tensorflow-tf.nn.embedding_lookup()
laolu1573的专栏
08-14 3万+
先看一段代码： #!/usr/bin/env/python # coding=utf-8 import tensorflow as tf import numpy as np # 定义一个未知变量input_ids用于存储索引 input_ids = tf.placeholder(dtype=tf.int32, shape=[None]) # 定义一个已知变量embedding，是一个5
Tf.keras的部分API
w1nd_的博客
04-26 185
Day37Tf.keras的部分APIMetricsCompilekeras快速自定义保存、加载模型save_weightssavesaved_model Tf.keras的部分API Metrics import tensorflow as tf from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics def preprocess(x, y): x = tf.cast(x, dtyp
tf.repeat(), Tensorflow2.1.0以上
weixin_43834407的博客
06-04 4538
今天看代码用到了tf.repeat() 查了下资料没有人专门讲解这个，我来写一下，希望能帮到后人。 官方文档： https://www.tensorflow.org/api_docs/python/tf/repeat?hl=ca 调用该方法： tf.repeat(input, repeats, axis=None, name=None) 参数： 1）input: 一个tensor 2）repeats: 重复的次数 注意：len(repeats) must equal input.shape[axis]
tensorflow2.0 keras densenet121模型下载
05-16
要下载TensorFlow2.0 Keras中的DenseNet121模型，你可以通过不同的方式来完成。 一种方法是使用TensorFlow中自带的models模块，这个模块有许多预训练好的模型可以使用。如果你安装了TensorFlow2.0，那么该模块已经被包含在内了。你可以使用如下代码来加载DenseNet121模型： ``` from tensorflow.keras.applications.densenet import DenseNet121 model = DenseNet121(weights='imagenet') ``` 其中必须设置weights参数为'imagenet'，以便使用ImageNet数据集上预训练的权重。 另一种方式是使用Keras Applications库，它是一个Keras代码库，包含多个深度学习模型，其中就包括DenseNet121。你可以使用如下代码来完成下载： ``` from keras.applications.densenet import DenseNet121 import tensorflow as tf model = DenseNet121(weights='imagenet') tf.keras.utils.plot_model(model, show_shapes=True, show_layer_names=True) ``` 这个方法与前一个方法类似，只是导入的模块不同，可以使用tf.keras.utils.plot_model函数来绘制模型结构。 无论你选择使用哪种方式，都需要注意下载模型可能需要较长时间，这取决于你的网络带宽以及下载速度。下载完成后，你可以使用该模型进行分类或其他的任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值