TensorFlow
文章平均质量分 92
然后就去远行吧
我们的目标是星辰大海~
展开
-
TensorFlow2.0 —— 模型保存与加载
目录1、Keras版本模型保存与加载2、自定义版本模型保存与加载3、总结1、Keras版本模型保存与加载保存模型权重(model.save_weights)保存HDF5文件(model.save)保存pb文件(tf.saved_model)tf.saved_model和model.save的区别在于,tf.saved_model格式的模型可以直接用来预测,但是tf.saved_model没有保存优化器配置,而model.save保存了优化器配置,所以整体更大。保存模型权重方法仅仅保存了模型中原创 2021-04-04 21:26:11 · 14304 阅读 · 3 评论 -
TensorFlow 2.0 —— 模型训练
目录1、Keras版本模型训练1.1 回调函数1.2 构造模型(顺序模型、函数式模型、子类模型)1.3 模型训练:model.fit()1.4 模型验证:model.evaluate()1.5 模型预测:model.predict()1.6 使用样本加权和类别加权2、正向传播与反向传播3、自动求导方法4、自定义模型训练1、Keras版本模型训练1.1 回调函数ModelCheckpoint:定期保存模型;EarlyStopping:当训练不再改善验证指标时,停止训练;TensorBoard:定期原创 2021-04-04 12:26:01 · 6545 阅读 · 0 评论 -
计算图机制详解
1、有哪些计算图有三种计算图的构建方式:静态图,动态计算图,以及AutoGraph;静态计算图:静态计算则意味着程序在编译执行时将先生成神经网络的结构,然后再执行相应操作。从理论上讲,静态计算这样的机制允许编译器进行更大程度的迭代,但是这也意味着我们所期望的程序与编译器实际执行之间存在着更多的代沟。这也意味着,代码中的错误将更加难以发现(比如,如果计算图的结构出现问题,我们可能只有在代码执行到相应操作的时候才能发现它)动态计算图:动态计算意味着程序将按照我们编写命令的顺序进行执行,这种机制将使得调试原创 2020-09-03 18:11:06 · 876 阅读 · 0 评论 -
TensorFlow 2.0 自定义操作与建模方式
知识树1、张量与操作Tensorflow使用一种叫tensor的数据结构去定义所有的数据,我们可以把tensor看成是n维的array或者list。在Tensorflow的各部分图形间流动传递的只是tensor;编写TensorFlow程序时,操纵并传递的主要对象是tf.Tensor:一个数据类型(例如float32,int32,或者string);以及shape;1.1 Numpy和tensorflow中的张量对比1.2 张量操作tf.strings(常用于推荐算法场景、NLP场原创 2020-08-31 18:06:50 · 1080 阅读 · 0 评论 -
TensorFlow 2.0简介
目录简介1、低层TensorFlow API2、中层TensorFlow API3、高层TensorFlow API4、TensorFlow API 总结简介TensorFlow API一共可以分为三个层次,即低阶API、中阶API、高阶API:第一层为Python实现的操作符,主要包括各种张量操作算子、计算图、自动微分;第二层为Python实现的模型组件,对低级API进行了函数封装,主要包括各种模型层,损失函数,优化器,数据管道,特征列等等;第三层为Python实现的模型成品,一般为按照OOP原创 2020-08-27 00:50:17 · 3841 阅读 · 1 评论