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Python 为什么在tensorflow';s tfmot,python,tensorflow,machine-learning,deep-learning,pruning,Python,Tensorflow,Machine Learning,Deep Learning,Pruning,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
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:)