Machine learning 如何在tensorflow中预测卷积神经网络中一个新的未知示例的结果

谁能告诉我如何将训练好的参数保存在卷积网中，以预测未来看不见的图像

在神经网络中，我们可以保存参数的权重和偏差，并使用这些保存的参数运行前向prop函数进行预测。但在Conv网络中，我们如何做呢？因为我们自己并没有定义很多参数，但张量流为我们定义了它们

---

多亏了

卷积网络只是另一种神经网络。即使在正常的神经网络中，通常也不会手动指定权重和偏差。相反，它们是通过培训（例如，通过反向传播）学习的，然后通常保存到文件中供以后使用

---

TensorFlow并没有为您定义CNN的权重和偏差。您可以使用TensorFlow学习它们，也可以从文件中加载它们。如果要保存经过训练的TensorFlow模型，请参见。

中的说明，但在完全连接层中，我们没有初始化任何变量？那么，如果我们没有给他们命名，我们怎么才能把他们找回来呢？例如，要指定层的权重，我们如下所示…….W1=tf.get_variableW1，[2512288]，initializer=tf.contrib.layers.xavier_initializerseed=1。但是在完全连接的层中，我们只指定它们的大小……Z1=tf.layers.conv2dinputs=X，filters=8，kernel_size=[4,4]，strips=1，padding=same，activation=tf.nn.reluconv2d没有完全连接，但这不是真正的问题。如果不指定，将有默认初始化。参数如何分配并不重要，只要它们产生所需的预测性能。如果您对培训过程（例如TensorFlow）感到困惑，因为培训过程是确定适当值的框架的通用术语，您需要在发布之前完成准备研究。