动漫美女h黄动漫视频3d,范冰冰亲嘴视频,特别黄的美女视频

舉個(gè)例子：先訓(xùn)練出一個(gè)模型

import

接下來(lái)第一種方法：只保留模型的參數(shù)：這個(gè)有2種方法：

model.save_weights("adasd.h5")

model.load_weights("adasd.h5")
model.predict(x_test)

model.save_weights('./checkpoints/mannul_checkpoint')
model.load_weights('./checkpoints/mannul_checkpoint')
model.predict(x_test)

因?yàn)檫@種方法只保留了參數(shù)，而并沒(méi)有保留整個(gè)模型，所以說(shuō)在加載的時(shí)候需要使用model.load_weights。這個(gè)函數(shù)只會(huì)保留模型的權(quán)重,它不包含模型的結(jié)構(gòu),所以當(dāng)我們加載權(quán)重文件時(shí)候，需要先輸入網(wǎng)絡(luò)結(jié)構(gòu)

再第2種方法：保留h5文件，保留整個(gè)模型

這種方法已經(jīng)保存了模型的結(jié)構(gòu)和權(quán)重,以及損失函數(shù)和優(yōu)化器

model.save('keras_model_hdf5_version.h5')

new_model = tf.keras.models.load_model('keras_model_hdf5_version.h5')
new_model.predict(x_test)

注意：這種方法只可以使用在keras的順序模型和函數(shù)式模型中，不能使用在子類模型和自定義模型中，否則會(huì)報(bào)錯(cuò)。

再第3種方法：保留pb文件，保留整個(gè)模型

# Export the model to a SavedModel
model.save('keras_model_tf_version', save_format='tf')

# Recreate the exact same model
new_model = tf.keras.models.load_model('keras_model_tf_version')
new_model.predict(x_test)

這個(gè)方法沒(méi)有保留優(yōu)化器配置。

保留pb文件還有另一種方法：

tf.saved_model.save(model,'文件夾名')和 tf.saved_model.load('文件夾名')

注意：這里是文件夾名稱??！

當(dāng)我們使用這個(gè)方法后，對(duì)應(yīng)目錄下會(huì)出現(xiàn)一個(gè)文件夾，文件夾下有兩個(gè)子文件夾和一個(gè)子文件：assets、variables、save_model.pb

TensorFlow 為我們提供的SavedModel這一格式可在不同的平臺(tái)上部署模型文件，當(dāng)模型導(dǎo)出為 SavedModel 文件時(shí)，無(wú)需建立。

模型的源代碼即可再次運(yùn)行模型，這使得SavedModel尤其適用于模型的分享和部署。

tf.saved_model.save(model,'tf_saved_model_version')
restored_saved_model = tf.saved_model.load('tf_saved_model_version')
f = restored_saved_model.signatures["serving_default"]

注意這里加載好了以后不能直接用predict進(jìn)行預(yù)測(cè)哦。

我們這里看一下保存信息：

!saved_model_cli show --dir tf_saved_model_version --all

使用模型的命令是：

f(digits = tf.constant(x_test.tolist()) )

輸出為：

關(guān)鍵是f = restored_saved_model.signatures["serving_default"]。

最后我們看看自定義模型的保存與加載：

注意這里要用以下命令

@tf.function(input_signature=[tf.TensorSpec([None,32], tf.float32,name='digits')])

把動(dòng)態(tài)圖變成靜態(tài)圖：

class MyModel(tf.keras.Model):

    def __init__(self, num_classes=10):
        super(MyModel, self).__init__(name='my_model')
        self.num_classes = num_classes
        # 定義自己需要的層
        self.dense_1 = tf.keras.layers.Dense(32, activation='relu')
        self.dense_2 = tf.keras.layers.Dense(num_classes)

    @tf.function(input_signature=[tf.TensorSpec([None,32], tf.float32,name='digits')])
    def call(self, inputs):
        #定義前向傳播
        # 使用在 (in `__init__`)定義的層
        x = self.dense_1(inputs)
        return self.dense_2(x)

import numpy as np
x_train = np.random.random((1000, 32))
y_train = np.random.random((1000, 10))
x_val = np.random.random((200, 32))
y_val = np.random.random((200, 10))
x_test = np.random.random((200, 32))
y_test = np.random.random((200, 10))




# 優(yōu)化器
optimizer = tf.keras.optimizers.SGD(learning_rate=1e-3)
# 損失函數(shù)
loss_fn = tf.keras.losses.CategoricalCrossentropy(from_logits=True)

# 準(zhǔn)備metrics函數(shù)
train_acc_metric = tf.keras.metrics.CategoricalAccuracy()
val_acc_metric = tf.keras.metrics.CategoricalAccuracy()

# 準(zhǔn)備訓(xùn)練數(shù)據(jù)集
batch_size = 64
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(batch_size)

# 準(zhǔn)備測(cè)試數(shù)據(jù)集
val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val))
val_dataset = val_dataset.batch(64)

model = MyModel(num_classes=10)
epochs = 3
for epoch in range(epochs):
    print('Start of epoch %d' % (epoch,))

    # 遍歷數(shù)據(jù)集的batch_size
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            logits = model(x_batch_train)
            loss_value = loss_fn(y_batch_train, logits)
        grads = tape.gradient(loss_value, model.trainable_weights)
        optimizer.apply_gradients(zip(grads, model.trainable_weights))

        # 更新訓(xùn)練集的metrics
        train_acc_metric(y_batch_train, logits)

        # 每200 batches打印一次.
        if step % 200 == 0:
            print('Training loss (for one batch) at step %s: %s' % (step, float(loss_value)))
            print('Seen so far: %s samples' % ((step + 1) * 64))

    # 在每個(gè)epoch結(jié)束時(shí)顯示metrics。
    train_acc = train_acc_metric.result()
    print('Training acc over epoch: %s' % (float(train_acc),))
    # 在每個(gè)epoch結(jié)束時(shí)重置訓(xùn)練指標(biāo)
    train_acc_metric.reset_states()

    # 在每個(gè)epoch結(jié)束時(shí)運(yùn)行一個(gè)驗(yàn)證集。
    for x_batch_val, y_batch_val in val_dataset:
        val_logits = model(x_batch_val)
        # 更新驗(yàn)證集merics
        val_acc_metric(y_batch_val, val_logits)
    val_acc = val_acc_metric.result()
    val_acc_metric.reset_states()
    print('Validation acc: %s' % (float(val_acc),))

模型保存方法一：保存weight：

model.save_weights("adasd.h5")
model.load_weights("adasd.h5")
model.predict(x_test)

model.save_weights('./checkpoints/mannul_checkpoint')
model.load_weights('./checkpoints/mannul_checkpoint')
model.predict(x_test)

模型保存方法二：保留h5，方法失敗，因?yàn)樽远x模型無(wú)法保留h5：

#model.save('my_saved_model.h5')

模型保存方法三：pb格式：

model.save('path_to_my_model',save_format='tf')
new_model = tf.keras.models.load_model('path_to_my_model')
new_model.predict(x_test)

輸出為：

或者：

tf.saved_model.save(model,'my_saved_model')
restored_saved_model = tf.saved_model.load('my_saved_model')
f = restored_saved_model.signatures["serving_default"]

f(digits = tf.constant(x_test.tolist()) )

!saved_model_cli show --dir my_saved_model --all

注意前面模型定義時(shí)候：

@tf.function(input_signature=[tf.TensorSpec([None,32], tf.float32,name='digits')])

這個(gè)digits，對(duì)應(yīng)的就是input['digits']，也對(duì)應(yīng)的是f函數(shù)中的自變量digits。

總結(jié)：

注意第2種方法h5格式只可以使用在keras的順序模型和函數(shù)式模型中，不能使用在子類模型和自定義模型中。

本站僅提供存儲(chǔ)服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊舉報(bào)。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

最后我們看看自定義模型的保存與加載：

總結(jié)：