TensorFlow/TensorFlow 保存 pb 模型
我们在保存 TensorFlow 的模型时,一般都是把模型保存为 ckpt 文件。
但是如果把模型迁移到手机上,那么就要把模型保存为 pb 文件。模型保存为 pb 文件时候,模型的变量都会变成固定的,从而会大大减小模型的大小,适合在手机端运行。
这里来讲下如何把模型保存为 pb 文件,以及如何从 pb 文件中加载模型。
我们在保存 TensorFlow 的模型时,一般都是把模型保存为 ckpt 文件。
但是如果把模型迁移到手机上,那么就要把模型保存为 pb 文件。模型保存为 pb 文件时候,模型的变量都会变成固定的,从而会大大减小模型的大小,适合在手机端运行。
这里来讲下如何把模型保存为 pb 文件,以及如何从 pb 文件中加载模型。
在上一篇文章中,我们使用了统计学中的移动平均方法来预测时间序列。
在这篇文章中,我们使用普通的神经网络和 RNN 来预测时间序列。
这篇文章,我们首先使用代码生成时间序列的数据,然后使用统计学(移动平均)方法来构建模型。
首先,导入库,并定义画时间序列的函数。
在这篇文章中,我们来看下如何使用 RNN 生成文本。
首先导入库。
首先导入库
1 | import tensorflow_datasets as tfds |
加载数据集
从这篇文章开始,我们讲解 NLP 模块。
由于文本数据不能直接输入到网络,我们首先讲文本数据的预处理。
首先下载数据集。
在上一篇文章中,你学习了如何创建卷积神经网络,以及 ImageGenerator
来创建并训练一个完整的深度学习模型。但之前使用的数据都是计算机生成的,这些数据中的物体都在图片中心,图片宽高一样。而真实世界的图片数据是多种多样的。
在这篇文章中,我们来看下如何处理真实世界的数据。
在上一篇文章中,你学习了如何创建一个神经网络,来学习你要处理的问题。但上一篇文章中的神经网络处理的是非常简单的问题 \(y=2 \times x-1\)。现在我们来看下更加实际,并且也更加困难的问题。在这个问题中,我们使用的数据包含 10 种不同类型的数据,我们要训练一个神经网络,来识别衣服的类型。
机器学习不仅仅是一个与传统编程不同的学科,更是代表了一种新的编程范式。
我们首先从高层次来看下,机器学习与传统的编程范式有何不同?
我们首先看下传统的编程范式,如下图所示: