脚本,输出模型size

import os

def get_pb_file_size(pb_file):
    """Returns the size of the TensorFlow .pb file in bytes."""
    return os.path.getsize(pb_file)

pb_file = '/tmp/tfc_metagraphs/hific-lo.metagraph'
size_bytes = get_pb_file_size(pb_file)
print(f"PB file size: {size_bytes / (1024 * 1024):.2f} MB")

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习测试脚本代码是用于评估深度学习模型性能的代码。它通常包括以下几个方面的内容: 1. 数据准备:测试脚本需要加载测试数据集,并对数据进行预处理,例如图像数据的归一化、文本数据的分词等。 2. 模型加载:测试脚本需要加载已经训练好的深度学习模型,可以是预训练模型或者自己训练的模型。 3. 测试过程:测试脚本会使用加载的模型对测试数据进行推理,得到模型输出结果。 4. 性能评估:测试脚本会将模型输出结果与测试数据的真实标签进行比较,计算评估指标,例如准确率、精确率、召回率等。 下面是一个简单的深度学习测试脚本代码示例: ```python import torch import torchvision import torchvision.transforms as transforms # 数据准备 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) # 模型加载 model = torch.load('model.pth') # 测试过程 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 性能评估 accuracy = 100 * correct / total print('Accuracy of the network on the 10000 test images: %d %%' % accuracy) ``` 这个示例代码使用了PyTorch框架,加载了MNIST手写数字数据集的测试集,并使用已经训练好的模型对测试数据进行推理,最后计算了模型的准确率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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