在tensorflow 2.0.1中使用自定义层保存和加载模型
在TensorFlow 2.0.1中，可以使用自定义层来保存和加载模型。自定义层是一种继承自tf.keras.layers.Layer的类，可以定义自己的层结构和计算逻辑。
保存模型：
要保存模型，可以使用tf.keras.models.save_model函数。首先，创建一个自定义层的实例，并将其添加到模型中。然后，使用save_model函数保存整个模型。
import tensorflow as tf
# 自定义层
class MyLayer(tf.keras.layers.Layer):
def __init__(self, units):
super(MyLayer, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(shape=(input_shape[-1], self.units),
initializer='random_normal',
trainable=True)
self.b = self.add_weight(shape=(self.units,),
initializer='zeros',
trainable=True)
def call(self, inputs):
return tf.matmul(inputs, self.w) + self.b
# 创建模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu'),
MyLayer(10),
tf.keras.layers.Softmax()
])
# 保存模型
tf.keras.models.save_model(model, 'my_model')加载模型：
要加载模型，可以使用tf.keras.models.load_model函数。加载模型后，可以使用它进行预测或继续训练。
import tensorflow as tf
# 加载模型
loaded_model = tf.keras.models.load_model('my_model')
# 使用加载的模型进行预测
predictions = loaded_model.predict(x_test)以上是在TensorFlow 2.0.1中使用自定义层保存和加载模型的方法。自定义层可以根据具体需求进行设计，可以用于各种深度学习任务。腾讯云提供了多种与深度学习相关的产品和服务，例如腾讯云AI引擎、腾讯云机器学习平台等，可以根据具体需求选择适合的产品和服务进行使用。
参考链接：
相关·内容
1回答
如何在Tensorflow 2.0中获取张量值？
tensorflow、keras、tensorflow2.0
我尝试在Keras中创建自定义层。这段代码是我从示例中获得的。如何得到这一层的计算结果？
class Linear(keras.layers.Layer):
def __init__(self, units=32):
super(Linear, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(
shape=(input_s
浏览 24提问于2020-05-15得票数 1
回答已采纳
2回答
Keras - add_weight()方法不添加总模型参数
deep-learning、keras、tensorflow
我正在创建一个定制Keras FConv2D()，并使用官方Keras教程中建议的用于创建自定义层的add_weight()方法在其build()函数中添加一个权重。
def build(self, input_shape):
shape = tf.TensorShape(input_shape).as_list()
h = shape[1]
w = shape[2]
in_channels = shape[3]
self.kernel = self.add_weight(
shape=(h,w,in_chan
浏览 0提问于2021-01-19得票数 0
1回答
在tensorflow 2.0.1中使用自定义层保存和加载模型
python、python-3.x、tensorflow、tensorflow2.0
class SimpleDense(Layer):
def __init__(self, units=1, name='SimpleDense', **kwargs):
'''Initializes the instance attributes'''
super(SimpleDense, self).__init__()
self.units = units
super(SimpleDense, self).__init__(**kwargs)
def build(self, input_
浏览 33提问于2021-01-29得票数 0
1回答
Keras/TensorFlow中具有2D输入、2D权重和2D偏差的自定义致密层？
python、tensorflow、keras
我正在处理图像，并希望为我的模型构建自定义层。我想乘以每一个像素的权重，并增加偏差(x.w+b)。我知道扁平化会在这方面起作用，但我还有额外的计算任务，我可能也需要对其中一些任务进行转置。我的问题是，我能把每个输入和鬼魂的2D形式相乘，并为我的自定义密集层增加二维偏差吗？我试过了，但是shape只接受一维输入，并给出单元输出shape=(input_dim，unit )的数量。我希望input_dim对重量和偏见都是2D的！
类密度(layers.Layer)：
def __init__(self, units):
super(Dense, self).__init__()
s
浏览 11提问于2022-04-04得票数 2
回答已采纳
1回答
具有子类层的tf.Keras子类模型为save_weights()生成AttributeError
model、layer、attributeerror、subclassing、tf.keras
在观看了F.CholletYoutube的视频"Inside TensorFlow: tf.Keras (第1部分)“之后，我试过这样做。在本节中，他讨论了如何通过子类创建自定义层和模型。我在colab上使用：
try:
# %tensorflow_version only exists in Colab.
%tensorflow_version 2.x
except Exception:
pass
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models impo
浏览 3提问于2019-09-17得票数 1
回答已采纳
1回答
如何在tf.keras中将可训练和不可训练的权重混合在同一层中
tensorflow、keras
我想要创建一个层(使用tensorflow.keras)，它包含可训练和不可训练的权重。我尝试通过子类keras.layers.Layer来做到这一点，如本例所示：
class MySum(keras.layers.Layer):
def __init__(self, units=32, **kwargs):
super(MySum, self).__init__(**kwargs)
self.units = units
def build(self, input_shape):
n_input = input_shap
浏览 8提问于2020-10-28得票数 0
回答已采纳
1回答
Tensorflow 2.0: flat_map()对Dataset的扁平数据集返回基数-2
python、tensorflow、time-series、tensorflow2.0、tensorflow-datasets
我正在尝试运行以下代码(如Tensorflow文档中所示)，以创建数据窗口，然后将数据集的数据集夷为平地。
window_size = 5
windows = range_ds.window(window_size, shift=1)
for sub_ds in windows.take(5):
print(sub_ds)
flat_windows = windows.flat_map(lambda x: x)
问题是flat_windows.cardinality().numpy()将基数返回为-2，这给我的训练带来了问题。我试图寻找数据集的set_cardinality方法，但
浏览 1提问于2021-02-20得票数 0
1回答
如何在Keras的自定义层中深入复制权重矩阵。我正试图存储旧的重量矩阵，以便在以后重新分配
python、tensorflow、keras、conv-neural-network
我试图将一个神经元的权重重新分配到它在前一个时代的权重。为了做到这一点，我试图保存旧的重量，但我有困难复制矩阵。
我不知道如何在自定义层中复制一个急切的张量。我尝试使用tf.identity和复制库，但两者都给了我错误，尽管我肯定没有正确地实现它。如有任何建议，将不胜感激。我附加了下面的一个错误，它说，如果急切的执行是对的，这使我感到困惑，因为我使用的是tensorflow 2，而且在默认情况下，急切的执行应该是打开的。
class RevertWeightMatrixDenseLayer(keras.layers.Layer):
def __init__(self, units, prob,
浏览 6提问于2020-11-26得票数 1
回答已采纳
1回答
在创建自定义层时，当在Keras中调用构建方法时
python、tensorflow、keras、deep-learning、tensorflow2.0
对不起，我是刚开始深造的。我正试图自己定义一个图层。
我查看了keras文档，
class SimpleDense(Layer):
def __init__(self, units=32):
super(SimpleDense, self).__init__()
self.units = units
def build(self, input_shape): # Create the state of the layer (weights)
w_init = tf.random_normal_initializer()
self.w = t
浏览 3提问于2022-06-18得票数 2
回答已采纳
1回答
在Tensorflow 2.0中使用自定义层时，梯度返回无
python、tensorflow、keras
我设计了一个自定义层，如下所示：
class SquaredWeightedLayer(tf.keras.layers.Layer):
def __init__(self, units=1):
super(SquaredWeightedLayer, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(shape=(input_shape[-1], self.units), initializer=&#
浏览 2提问于2021-12-15得票数 2
回答已采纳
1回答
如何在tensorflow模型的tensorflow层调用中实现numpy方程(不能将符号tf.Tensor转换为numpy数组)
python、tensorflow、keras、layer
我在tensorflow中有这个层类，在这里，我希望在numpy中为调用函数的返回实现一个特定的等式。我有以下自定义层：
class PhysicalLayer(keras.layers.Layer):
def __init__(self, units=32):
super(PhysicalLayer, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(
shape=(inp
浏览 17提问于2022-12-03得票数 0
1回答
自定义层中构建的继承(super().build(input_shape))
python-3.x、tensorflow、keras、tf.keras
我试图理解tensorflow keras中自定义层的概念。当创建Simple_dense层时没有激活，那么代码如下所示：
class SimpleDense(Layer):
def __init__(self, units=32):
'''Initializes the instance attributes'''
super(SimpleDense, self).__init__()
self.units = units
def build(self, input_shape
浏览 1提问于2021-08-13得票数 2
1回答
理解keras中input_shape的建立和输入
python、tensorflow、keras
我正在努力理解中的一个基本示例，特别是：
class Linear(keras.layers.Layer):
def __init__(self, units):
super(Linear, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(shape=(input_shape[-1], self.units), initializer="random_normal", train
浏览 2提问于2021-02-20得票数 0
1回答
tensorflow中自定义LSTM层的奇怪内存使用和训练被扼杀
python、tensorflow、neural-network、lstm、recurrent-neural-network
我正在尝试在TensorFlow中创建一个自定义的TensorFlow。我有一个24 No内存的CPU (没有GPU)。首先，我创建了一个LSTMCell作为默认的LSTMCell。守则如下：
class LSTMCell(tf.keras.layers.AbstractRNNCell):
def __init__(self, units, **kwargs):
self.units = units
super(LSTMCell, self).__init__(**kwargs)
def build(self, input_shape):
浏览 23提问于2022-06-05得票数 2
回答已采纳
1回答
在训练过程中，有没有一种方法可以将弱的体重减零？例如，如果权重的绝对值低于.05，只需将该权重设置为0。
python、tensorflow、keras、keras-layer
我遇到了麻烦，似乎你不能直接编辑张量，也不能简单地将其转换为numpy，并在训练期间以这种形式编辑它。在某种程度上，我要寻找的是与和中存在的剪辑函数相反的东西。我不想确保所有值都在min和max之间，而是要使所有值在min和max之间切换到0。可能的最小值和最大值是相同的值，所以它变成了对绝对值小于某个输入值的任何权重的零。
class DeleteWeakConnectionsDenseLayer(keras.layers.Layer):
def __init__(self, units, weak_threshold, **kwargs):
super(DeleteWeakConn
浏览 2提问于2020-11-26得票数 0
回答已采纳
1回答
Tensorflow自定义层权重不是训练，而是偏倚
python、keras、tensorflow2.0
我已经写了一些定制的层次，我已经意识到我的偏见价值将训练，但我的重量不是训练。我将在这里使用一个非常简化的代码来说明这个问题。
class myWeights(Layer):
def __init__(self, units, **kwargs):
self.units = units
super(myWeights, self).__init__(**kwargs)
def build(self, input_shape):
self.w = self.add_weight(shape=(input_shape[-
浏览 3提问于2020-03-27得票数 2
1回答
尝试将不受支持类型(<class 'NoneType'>)的值(无)转换为张量
python、tensorflow、keras、deep-learning、neural-network
我正面临着错误
Attempt to convert a value (None) with an unsupported type (<class 'NoneType'>) to a Tensor
有一个非常琐碎的代码，不知道错误来自哪里。在木星笔记本上运行相同的代码是可行的。
import tensorflow as tf
import numpy as np
# inherit from this base class
from tensorflow.keras.layers import Layer
class SimpleDense(Layer):
浏览 15提问于2021-12-28得票数 0
1回答
实现自定义LSTM时的图断开
python-3.x、keras、deep-learning、lstm、tensorflow2.0
我一直试图为定制编写自己的LSTM。但是，当我试图使用Keras调用代码时，出现了一个错误。该错误称该图形在c_prev上断开，但c_prev被用作LSTM的单元初始化器。所以我不确定我的代码是否有问题，或者我调用模型的方式有问题。任何帮助都是非常感谢的。
我的环境：
Python 3.7.6
Tensorflow 2.1.0 (通过pip安装)
麦克·莫哈韦
class EtienneLSTM(tf.keras.layers.Layer):
def __init__(self, units, activation='tanh', recurrent
浏览 3提问于2020-03-15得票数 1
回答已采纳
1回答
tensorflow 2/keras中权重的重新分配
python、tensorflow、keras、neural-network、tensorflow2.0
我目前正在测试Keras中的一些修改版本的下拉列表，其中一个版本涉及到在自定义的密集层的训练过程中调整权重。然而，我还没有能够顺利地运行它。我怀疑这与急切的处决有关，但我不确定。
class Linear(keras.layers.Layer):
def __init__(self, units, **kwargs):
super(Linear, self).__init__(**kwargs)
self.units = units
def build(self, input_shape):
self.w = self.add_weight(
shap
浏览 2提问于2020-11-24得票数 0
回答已采纳
1回答
使用Model()在Keras中使用绑定权重的自动编码器
keras、autoencoder
我正试着安装一个绑着重量的自动编码器。我使用的是Python3.6.10、Tensorflow 1.15.0和Keras2.2.4-TF。
有一个非常好的解决方案，使用Sequential()来构建模型。
random.seed(1)
class DenseTied(keras.layers.Layer):
def __init__(self, units,
activation=None,
use_bias=True,
kernel_initializer='glorot_
浏览 2提问于2022-03-09得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
活动推荐
腾讯云开发者
