python人工智能TensorFlow自定义层及模型保存

一、自定义层和网络

1.自定义层

①必须继承自layers.layer

②必须实现两个方法，__init__和call

这个层，实现的就是创建参数，以及一层的前向传播。

添加参数使用self.add_weight，直接调用即可，因为已经在母类中实现。

在call方法中，实现前向传播并返回结果即可。

2.自定义网络

①必须继承自keras.Model

②必须实现两个方法，__init__和call

这个网络，就可以使用我们定义好的MyDense层，来进行堆叠。

在init方法中设置好每一层的连接方式，以及维度。

在call方法中，就要实现前向传播，可以在这里对网络结构前向传播进行实现。如果在层中没有添加activation的话，在这里需要添加relu等激活函数。

二、模型的保存和加载

1.保存参数

通过save_weights方法可以保存参数，提供路径即可，加载的时候，先创建好和之前的网络结构一模一样的网络结构，导入参数即可。

2.保存整个模型

通过model.save()，保存整个模型，包括结构，层的名字，参数，维度等等所有信息。

恢复的时候不需要再创建网络。直接通过tf.keras.models.load_model读取即可。

以上就是python人工智能Tensorflow自定义层及模型保存的详细内容，更多关于TensorFlow自定义层及模型保存的资料请关注编程网其它相关文章！