07-TensorFlow 模型参数提取

之前介绍了神经网络可以生成模型文件进行存储, 其实模型中的参数是可以查看的, 详情请看代码

import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras import Model
from sklearn import datasets
import numpy as np

x_train = datasets.load_iris().data
y_train = datasets.load_iris().target

np.random.seed(116)
np.random.shuffle(x_train)
np.random.seed(116)
np.random.shuffle(y_train)
tf.random.set_seed(116)

class IrisModel(Model):
    def __init__(self):
        super(IrisModel, self).__init__()
        self.d1 = Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())

    def call(self, x):
        y = self.d1(x)
        return y

model = IrisModel()

model.compile(optimizer=tf.keras.optimizers.SGD(lr=0.1),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)
model.summary()


np.set_printoptions(threshold=np.inf) #设置无限显示, 不省略
file = open('./weights.txt', 'w')
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()

运行结果

在这里插入图片描述

这里我们把提取的模型参数, 写入了文本文件中
在这里插入图片描述

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
simclr-in-tensorflow-2是一个在TensorFlow 2中实现SimCLR(https://arxiv.org/abs/2002.05709)算法的项目。SimCLR是一种自监督学习方法,用于无标签图像数据的表示学习。 实现SimCLR在TensorFlow 2中的方法如下: 首先,我们导入必要的库和模块。其中包括TensorFlow 2、TensorFlow Datasets(用于加载图像数据集)和其他辅助函数。 然后,我们定义一个数据预处理函数,用于对图像数据进行预处理。这包括图像的随机裁剪、随机水平翻转、归一化和调整大小等操作。 接下来,我们构建模型。SimCLR模型由一个特征提取器和一个投影头组成。特征提取器通常是一个预训练的卷积神经网络,如ResNet。投影头是一个全连接层,将特征映射到一个较低维度的向量空间。 然后,我们定义损失函数。SimCLR使用对比损失函数,它衡量正样本对和负样本对之间的相似性。在训练过程中,我们从数据集中选择两个样本,将它们通过特征提取器和投影头得到两个特征向量。然后,我们计算这两个向量之间的相似性,并用一个交叉熵损失函数最小化它。 在训练过程中,我们使用随机梯度下降(SGD)或Adam优化器进行参数优化。我们还定义了一些训练的超参数,如学习率、批量大小和训练迭代次数。 最后,我们对模型进行训练。我们从数据集中加载图像数据,并将其送入模型进行前向计算和反向传播。在训练过程中,我们监视损失函数的变化,并在训练结束后评估模型的性能。 通过以上步骤,我们就可以在TensorFlow 2中实现SimCLR算法。这个实现能够利用无标签的图像数据进行自监督学习,从而得到有用的图像表示。这些表示可以用于各种计算机视觉任务,如图像分类、物体检测和图像生成等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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