DL with python(10)——TensorFlow实现神经网络参数的打印保存

最新推荐文章于 2024-03-23 14:29:05 发布

佟湘玉滴玉

最新推荐文章于 2024-03-23 14:29:05 发布

阅读量1.5k

点赞数 2

分类专栏： Python深度学习文章标签：神经网络 python tensorflow

本文链接：https://blog.csdn.net/qq_36108664/article/details/107130565

版权

Python深度学习专栏收录该内容

22 篇文章 13 订阅

订阅专栏

本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第四讲第五节的内容，通过tensorflow实现神经网络参数的打印以及存入文本。

将神经网络的参数输出并且保存十分简单，从神经网络搭建的六步法来看，与DL with python(9)——TensorFlow实现神经网络模型的断点续训中实现断点续训的代码相比，这里的代码仅在第一步和第六步有所改动。
其中，第一步增加了numpy的调用，以及输出格式的设置（最多输出多少个数）。

np.set_printoptions(precision=小数点后按四舍五入保留几位,threshold=数组元素数量少于或等于门槛值，打印全部元素；否则打印门槛值+1 个元素，中间用省略号补充) 注：precision=np.inf 打印完整小数位；threshold=np.nan 打印全部数组元素。

示例如下：

>> np.set_printoptions(precision=5)
>>> print(np.array([1.123456789]))
[1.12346]
>>> np.set_printoptions(threshold=5)
>>> print(np.arange(10))
[0 1 2 … , 7 8 9]

第六步增加了参数打印以及保存到txt文本中的代码。较为重要的函数是：

model.trainable_variables # 提取模型中可训练的参数

具体代码如下：

# 第一步，导入相关模块，os模块用于判断文件是否存在
import tensorflow as tf
import os
import numpy as np
tf.enable_eager_execution()
# 设置输出格式，超过threshold个忽略显示，这里为无限大（全部显示）
np.set_printoptions(threshold=np.inf)
# 第二步，导入数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 第三步，搭建网络结构
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
# 第四步，配置训练方法，并设置模型的断点续训
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
    print('-------------load the model-----------------')
    model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)
# 第五步，执行训练
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
# 第六步，打印网络结构和参数统计
model.summary()
# 打印参数，并保存到txt文档中
print(model.trainable_variables)     # 返回模型中可训练的参数
file = open('./weights.txt', 'w')    # 打开一个可写入的文本
for v in model.trainable_variables:  # 将参数的名称，格式，数值写入文本
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()  # 关闭文本