資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何使用 Python 在 Tensorflow 中組合層？
Tensorflow 可以透過定義一個繼承自 'ResnetIdentityBlock' 的類來組合層。這用於定義一個塊，該塊可用於組合層。
閱讀更多： 什麼是 TensorFlow 以及 Keras 如何與 TensorFlow 協同工作以建立神經網路？
包含至少一層的神經網路稱為卷積層。我們可以使用卷積神經網路構建學習模型。
TensorFlow Hub 是一個包含預訓練 TensorFlow 模型的儲存庫。 TensorFlow 可用於微調學習模型。 我們將瞭解如何使用 TensorFlow Hub 中的模型與 tf.keras，使用 TensorFlow Hub 中的影像分類模型。完成此操作後，可以執行遷移學習以針對自定義影像類別微調模型。這是透過使用預訓練的分類器模型來獲取影像並預測它是做什麼的來完成的。這可以在不需要任何訓練的情況下完成。
我們正在使用 Google Colaboratory 來執行以下程式碼。Google Colab 或 Colaboratory 幫助透過瀏覽器執行 Python 程式碼，並且無需任何配置即可免費訪問 GPU（圖形處理單元）。Colaboratory 建立在 Jupyter Notebook 之上。
示例
print("Composing layers")
class ResnetIdentityBlock(tf.keras.Model):
def __init__(self, kernel_size, filters):
super(ResnetIdentityBlock, self).__init__(name='')
filters1, filters2, filters3 = filters
self.conv2a = tf.keras.layers.Conv2D(filters1, (1, 1))
self.bn2a = tf.keras.layers.BatchNormalization()
self.conv2b = tf.keras.layers.Conv2D(filters2, kernel_size, padding='same')
self.bn2b = tf.keras.layers.BatchNormalization()
self.conv2c = tf.keras.layers.Conv2D(filters3, (1, 1))
self.bn2c = tf.keras.layers.BatchNormalization()
def call(self, input_tensor, training=False):
x = self.conv2a(input_tensor)
x = self.bn2a(x, training=training)
x = tf.nn.relu(x)
x = self.conv2b(x)
x = self.bn2b(x, training=training)
x = tf.nn.relu(x)
x = self.conv2c(x)
x = self.bn2c(x, training=training)
x += input_tensor
return tf.nn.relu(x)
print("The layer is called")
block = ResnetIdentityBlock(1, [1, 2, 3])
_ = block(tf.zeros([1, 2, 3, 3]))
block.layers
len(block.variables)
block.summary()程式碼來源 - https://www.tensorflow.org/tutorials/customization/custom_layers
輸出
Composing layers The layer is called Model: "resnet_identity_block" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) multiple 4 _________________________________________________________________ batch_normalization (BatchNo multiple 4 _________________________________________________________________ conv2d_1 (Conv2D) multiple 4 _________________________________________________________________ batch_normalization_1 (Batch multiple 8 _________________________________________________________________ conv2d_2 (Conv2D) multiple 9 _________________________________________________________________ batch_normalization_2 (Batch multiple 12 ================================================================= Total params: 41 Trainable params: 29 Non-trainable params: 12
解釋
resnet 中的每個殘差塊都由卷積、批處理歸一化和快捷方式組成。
層也可以巢狀在其他層中。
當我們需要模型方法（例如 Model.fit、Model.evaluate 和 Model.save）時，可以從 keras.Model 繼承。
keras.Model 用於代替 keras.layers.Layer，這有助於跟蹤變數。
keras.Model 會跟蹤其內部層，從而更容易檢查這些層。
182 次檢視
