如何使用Python通过Tensorflow返回层实例的构造函数参数？

Tensorflow是由Google提供的机器学习框架，它是一个开放源代码框架，与Python结合使用，可用于实现算法、深度学习应用程序等等。它在研究和生产目的中被广泛使用。

Keras是作为项目ONEIROS（开放式神经电子智能机器人操作系统）研究的一部分而开发的。Keras是一个使用Python编写的深度学习API。它是一个高级API，具有生产力接口，有助于解决机器学习问题。

它运行在Tensorflow框架之上。它是为了帮助快速实验而构建的。它提供了必要的抽象和构建块，这些块在开发和封装机器学习解决方案中是必不可少的。

它具有高度可扩展性和跨平台能力。这意味着Keras可以在TPU或GPU簇上运行。Keras模型也可以导出到网络浏览器或移动电话中运行。

Keras已经包含在Tensorflow软件包中。可以使用下面的代码行来访问它。

import tensorflow
from tensorflow import keras

使用Keras功能API创建的模型比使用序列API创建的模型更灵活。功能API可以处理具有非线性拓扑、可以共享层并且可以使用多个输入和输出的模型。深度学习模型通常是由多个层组成的有向无环图(DAG)，功能API有助于构建这些层的图形。

我们使用Google Colaboratory在浏览器中运行下面的代码。Google Colab或Colaboratory可以在浏览器中运行Python代码，不需要任何配置，并且可以免费访问GPU(图形处理器)。Colaboratory是建立在Jupyter笔记本之上的。以下是使用Python返回层实例的构造函数参数的代码片段 −

更多Python相关文章，请阅读：Python 教程

示例

class CustomDense(layers.Layer):
   def __init__(self, units=32):
      super(CustomDense, 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="random_normal", trainable=True
      )
   def call(self, inputs):
      return tf.matmul(inputs, self.w) + self.b
   def get_config(self):
      return {"units": self.units}
inputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)

model = keras.Model(inputs, outputs)
print("以下函数返回实例的构造函数参数")
config = model.get_config()

new_model = keras.Model.from_config(config, custom_objects={"CustomDense": CustomDense})

代码来自- https://www.tensorflow.org/guide/keras/functional

输出

以下函数返回实例的构造函数参数

解释

• 创建了名为“CustomDense”的类，用于向模型添加权重。

• 定义另一个名为“get_config”的函数，该函数返回每个层实例的构造函数参数。

• 定义了模型的输入层。

• 接下来，定义了模型，并调用了该函数。