Tensorflow 权重与神经网络
是否有可能知道一个具有多个隐藏层的完全训练的神经网络的权重矩阵。更具体地说,我们可以为每个训练迭代检查和存储这些值。Tensorflow 权重与神经网络,tensorflow,neural-network,deep-learning,Tensorflow,Neural Network,Deep Learning,是否有可能知道一个具有多个隐藏层的完全训练的神经网络的权重矩阵。更具体地说,我们可以为每个训练迭代检查和存储这些值。tf.train.Saver类提供了保存和恢复模型的方法。tf.saved\u model.simple\u save函数是构建适合服务的保存模型的简单方法 在每次迭代中,您都将一个序列op传递给sess。运行让它正确计算?大概是这样的: sess.run([train_op], feed_dict={...}) _, result_cost, result_accuracy =
tf.train.Saver
类提供了保存和恢复模型的方法。tf.saved\u model.simple\u save
函数是构建适合服务的保存模型的简单方法
在每次迭代中,您都将一个
序列op
传递给sess。运行让它正确计算?大概是这样的:
sess.run([train_op], feed_dict={...})
_, result_cost, result_accuracy = sess.run([train_op, cost, accuracy], feed_dict={...})
您还可以要求它返回其他值,例如成本
和精度
张量,如下所示:
sess.run([train_op], feed_dict={...})
_, result_cost, result_accuracy = sess.run([train_op, cost, accuracy], feed_dict={...})
如果这一切都有意义,那么访问权重矩阵就不再复杂了。您只需要对权重矩阵张量进行引用(创建它时将其保留或按名称查找张量):
请注意,您可以随培训一起请求任何张量(变量或运算)的值。您也可以直接调用sess.run并询问该特定值:
weight_matrix = sess.run([weight_tensor])
请看这里:-即使没有人理解这个问题。