Tensorflow中Sequential model
sequential模型适用于简单堆叠网络层(a plain stack of layers),及每一层只有一个输入和一个输出:
不推荐使用建议使用函数式,子类模型
几种创建sequential模型的方法:
# 1.
model = keras.Sequential([layers.Dense(2, activation="relu", name="layer1"),layers.Dense(3, activation="relu", name="layer2"),layers.Dense(4, name="layer3"),]
)
x = tf.ones((3, 3))#第一个3理解为batch
y = model(x)
# 2.
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")
# 3.
model = keras.Sequential(name="my_sequential")
model.add(layers.Dense(2, activation="relu", name="layer1"))
model.add(layers.Dense(3, activation="relu", name="layer2"))
model.add(layers.Dense(4, name="layer3"))
通常想要查看sequential模型,必须给模型传入一个输入例如:
model = keras.Sequential([layers.Dense(2, activation="relu"),layers.Dense(3, activation="relu"),layers.Dense(4),]
)
# 此时输入model.summary(),model.weights都会报错
# 必须给模型一个输入参数
x = tf.ones((1, 4)) #参数1理解为batch
y = model(x)
print("Number of weights after calling the model:", len(model.weights)) # 6
(改进)可以在创建model时,就传入输入:
model = keras.Sequential()
model.add(keras.Input(shape=(4,)))#注意此时的输入的shape和上面情况对比
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4,))
(改进):
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu", input_shape=(4,)))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4,))
提取sequential创建网络的某一层:
initial_model = keras.Sequential([keras.Input(shape=(250, 250, 3)),layers.Conv2D(32, 5, strides=2, activation="relu"),layers.Conv2D(32, 3, activation="relu", name="my_intermediate_layer"),layers.Conv2D(32, 3, activation="relu"),]
)
feature_extractor = keras.Model(inputs=initial_model.inputs,outputs=initial_model.get_layer(name="my_intermediate_layer").output,
x = tf.ones((1, 250, 250, 3))
features = feature_extractor(x)
sequential转移学习框架
model = keras.Sequential([keras.Input(shape=(784))layers.Dense(32, activation='relu'),layers.Dense(10),
])
#模型加载已训练好的参数
model.load_weights(...)
#除了最后一层 其他层都不用训练
for layer in model.layers[:-1]:layer.trainable = False
model.compile(...)
model.fit(...)
Tensorflow中Sequential model相关推荐
- [tensorflow]tensorflow 顺序模型(Sequential model)
注意:采用tensorflow 2.1.0 1.适用顺序模型的情况 顺序模型适用于简单的层堆栈,其中每一层正好具有一个输入张量和一个输出张量. 例如: import tensorflow as tf ...
- 【tensorflow】Sequential 模型方法 compile, model.compile
Sequential 顺序模型 API - Keras 中文文档 https://keras.io/zh/models/sequential/ Sequential 序贯模型 序贯模型是函数式模型的简 ...
- 【tf.keras】tf.keras使用tensorflow中定义的optimizer
我的 tensorflow+keras 版本: print(tf.VERSION) # '1.10.0' print(tf.keras.__version__) # '2.1.6-tf' tf.ker ...
- 【tensorflow】Sequential 模型方法
深入学习Keras中Sequential模型及方法 - 战争热诚 - bky https://www.cnblogs.com/wj-1314/p/9579490.html Sequential 序贯模 ...
- tensorflow包_在Keras和Tensorflow中使用深度卷积网络生成Meme(表情包)文本
作者 | dylan wenzlau 来源 | Medium 编辑 | 代码医生团队 本文介绍如何构建深度转换网络实现端到端的文本生成.在这一过程中,包括有关数据清理,训练,模型设计和预测算法相关的内 ...
- SELU︱在keras、tensorflow中使用SELU激活函数
arXiv 上公开的一篇 NIPS 投稿论文<Self-Normalizing Neural Networks>引起了圈内极大的关注,它提出了缩放指数型线性单元(SELU)而引进了自归一化 ...
- TensorFlow中的Keras用法和自定义模型和层
Keras Keras 是一个用于构建和训练深度学习模型的高阶 API.它可用于快速设计原型.高级研究和生产,具有以下三个主要优势: 方便用户使用 Keras 具有针对常见用例做出优化的简单而一致的界 ...
- Tensorflow中的多层感知器学习
Tensorflow中的多层感知器学习 在这篇文章中,我们将了解多层感知器的概念和它在Python中使用TensorFlow库的实现. 多层感知 多层感知也被称为MLP.它是完全连接的密集层,可以将任 ...
- 【Tensorflow2.0】tensorflow中的Dense函数解析
目录 1 作用 2 例子 3 与torch.nn.Linear的区别 4 参考文献 1 作用 注意此处Tensorflow版本是2.0+. 由于本人是Pytorch用户,对Tensorflow不是很熟 ...
最新文章
- 空气质量html模板,基于HTML5+CSS3移动端空气质量APP的设计与实现
- 23. C# -- 封装
- log4j监控mybatis的普通配置
- python画统计图怎么在右上角表示哪条线代表什么_Python-matplotlib统计图之箱线图漫谈...
- x64版本的OpenGL库配置
- 深度学习在医学影像中的研究进展及发展趋势
- 排序学习之---插入排序
- html 自定义属性_重学前端基础:属性操作,重点getAttribute / setAttribute方法
- 干货!谷歌首席科学家发文阐述“半监督学习革命”,想走出瓶颈先试试这个...
- struts中action名称反复导致的神秘事件
- Echarts柱状图属性设置大全
- 简单突破数据库备份路径拿shell
- 电脑桌面的计算机网络回收站图标不见了,桌面回收站图标不见了怎么办 回收站图标找回方法【图文】...
- ASP中Split分割字符串函数的实例用法
- 嘉兴 机器人仓库 菜鸟_菜鸟物流嘉兴未来园区的工业机器人系统运维员的一天...
- java画板中画直线_画图板(画直线)
- 十大人文科技类图书(转)
- 【计算机组成原理】CPU的前世今生
- vue2实践揭秘pdf_Vue2实践揭秘
- 使用mycat搭建实现mysql数据库集群管理