TensorFlow自定义层及模型保存 python人工智能TensorFlow自定义层及模型保存
Swayzzu 人气:0想了解python人工智能TensorFlow自定义层及模型保存的相关内容吗，Swayzzu在本文为您仔细讲解TensorFlow自定义层及模型保存的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：python人工智能,TensorFlow自定义层,TensorFlow模型保存，下面大家一起来学习吧。
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。
加载全部内容