tensorflow之自定义神经网络层实例 之自定义神经网络层实例 今天小编就为大家分享一篇tensorflow之自定义神经网络层实例，具有很好的参考价值，希望对大家有所帮助。 一起跟随小编过来看看吧 如下所示： 如下所示： import tensorflow as tf tfe = tf.contrib.eager tf.enable_eager_execution() 大多数情况下，在为机器学习模型编写代码时，您希望在比单个操作和单个变量操作更高的抽象级别上操作。 1.关于图层的一些有用操作 关于图层的一些有用操作 许多机器学习模型可以表达为相对简单的图层的组合和堆叠，TensorFlow提供了一组许多常用图层，以及您从头开始或作为 组合创建自己的应用程序特定图层的简单方法。TensorFlow在tf.keras包中包含完整的Keras API，而Keras层在构建自己的模 型时非常有用。 #在tf.keras.layers包中，图层是对象。要构造一个图层，只需构造一个对象。大多数层将输出维度/通道的数量作为第一个参数。 layer=tf.keras.layers.Dense(100) #输入维度的数量通常是不必要的，因为它可以在第一次使用图层时推断出来，但如果您想手动指定它，则可以提供它，这在某些复杂模型中很有用。 layer=tf.keras.layers.Dense(10,input_shape=(None,5)) #调用层 layer(tf.zeros([10,5])) #图层有许多有用的方法。例如，您可以通过调用layer.variables来检查图层中的所有变量。在这种情况下，完全连接的层将具有权重和偏差的变量。 variable=layer.variables # variable[0] layer.kernel.numpy() layer.bias 2.自定义图层 自定义图层 实现自己的层的最佳方法是扩展tf.keras.Layer类并实现： __init__，您可以在其中执行所有与输入无关的初始化 build方法，您知道输入张量的形状，并可以进行其余的初始化 call方法，在这里进行正向传播计算 请注意，您不必等到调用build来创建变量，您也可以在__init__中创建它们。但是，在build中创建它们的优点是它可以根据图 层将要操作的输入的形状启用后期变量创建。另一方面，在__init__中创建变量意味着需要明确指定创建变量所需的形状。 class MyDenseLayer(tf.keras.layers.Layer): def __init__(self, num_outputs): super(MyDenseLayer, self).__init__() self.num_outputs = num_outputs def build(self, input_shape): self.kernel = self.add_variable("kernel", shape=[input_shape[-1].value, self.num_outputs]) def call(self, input): return tf.matmul(input, self.kernel) layer = MyDenseLayer(10) print(layer(tf.zeros([10, 5]))) print(layer.variables) 3.搭建网络结构 搭建网络结构 机器学习模型中许多有趣的图层是通过组合现有层来实现的。例如，resnet中的每个residual块是卷积，批量标准化等的组 合。 创建包含其他图层的类似图层的东西时使用的主类是tf.keras.Model。实现一个是通过继承自tf.keras.Model完成的。 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) block = ResnetIdentityBlock(1, [1, 2, 3]) print(block(tf.zeros([1, 2, 3, 3]))) print([x.name for x in block.variables]) 以上这篇tensorflow之自定义神经网络层实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支 持我们。