Python 为什么在tensorflow'；s tfmot

我在修剪一个模型时遇到了一个库TensorFlow模型优化，所以最初，我们

我在一个默认数据集上训练了这个模型，它给了我96%的准确率，这很好。然后，我将模型保存在一个JSON文件中，并将其权重保存在h5文件中。现在，我将此模型加载到另一个脚本中，以便在应用修剪和编译模型后对其进行修剪。我得到了此模型摘要

---

虽然模型修剪得很好，参数也有很大程度的减少，但这里的问题是，为什么在应用修剪后，参数增加了，甚至在移动了不可训练的参数之后，修剪过的简单模型仍然有相同数量的参数，有人能解释一下这是正常的还是我正在做的吗有点不对劲。也请解释为什么会发生这种情况。提前感谢大家：）

这很正常。修剪不会更改原始模型的结构。因此，这并不是为了减少参数的数量

剪枝是一种模型优化技术，可以消除权重中不常用的（换句话说，可以说是不必要的）值

---

第二个模型摘要显示为修剪添加的参数。它们是不可训练的参数不可训练的参数表示屏蔽。简而言之，tensorflow将不可训练的掩码添加到网络中的每个权重，以指定应该修剪哪些权重。遮罩由0和1组成。

这是正常的。修剪不会更改原始模型的结构。因此，这并不是为了减少参数的数量

剪枝是一种模型优化技术，可以消除权重中不常用的（换句话说，可以说是不必要的）值

---

第二个模型摘要显示为修剪添加的参数。它们是不可训练的参数不可训练的参数表示屏蔽。简而言之，tensorflow将不可训练的掩码添加到网络中的每个权重，以指定应该修剪哪些权重。掩码由0和1组成。

为什么要添加修剪参数。你能解释一下吗？或者给我指出正确的方向。如果答案是正确的，你可以检查一下新的答案。非常感谢：）为什么它要添加修剪参数。你能解释一下吗？或者给我指出正确的方向。答案是，你可以查一下新的答案。非常感谢：）