tf 查看模型内容

简介:
 


from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file


savedir =
'/Users/qyk/Desktop/py/models/inception_v3/'

print_tensors_in_checkpoint_file(savedir + 'inception_v3.ckpt',tensor_name=None,all_tensors=True)


####

tensor_name: InceptionV3/AuxLogits/Conv2d_1b_1x1/BatchNorm/beta

[.....]

tensor_name: InceptionV3/AuxLogits/Conv2d_1b_1x1/BatchNorm/moving_mean
 
 
[.....]

tensor_name: InceptionV3/AuxLogits/Conv2d_1b_1x1/BatchNorm/moving_variance
 
  
[.....]


 
   
.....
 
    
.....



tensor_name: InceptionV3/Mixed_7c/Branch_3/Conv2d_0b_1x1/BatchNorm/moving_variance
 
   
[.....]

tensor_name: InceptionV3/Mixed_7c/Branch_3/Conv2d_0b_1x1/weights
 
   
[.....]

tensor_name: global_step
0
目录
相关文章
|
4月前
|
PyTorch 算法框架/工具
【chat-gpt问答记录】torch.tensor和torch.Tensor什么区别?
【chat-gpt问答记录】torch.tensor和torch.Tensor什么区别?
97 2
|
2月前
|
API 算法框架/工具
【Tensorflow+keras】使用keras API保存模型权重、plot画loss损失函数、保存训练loss值
使用keras API保存模型权重、plot画loss损失函数、保存训练loss值
22 0
|
4月前
|
存储 机器学习/深度学习 PyTorch
【从零开始学习深度学习】19. Pytorch中如何存储与读取模型:torch.save、torch.load与state_dict对象
【从零开始学习深度学习】19. Pytorch中如何存储与读取模型:torch.save、torch.load与state_dict对象
|
5月前
|
PyTorch 算法框架/工具
pytorch - swa_model模型保存的问题
pytorch - swa_model模型保存的问题
82 0
|
12月前
|
Java TensorFlow 算法框架/工具
【tensorflow】TF1.x保存.pb模型 解决模型越训练越大问题
在上一篇博客【tensorflow】TF1.x保存与读取.pb模型写法介绍介绍的保存.pb模型方法中,保存的是模型训练过程中所有的参数,而且训练越久,最终保存的模型就越大。我的模型只有几千参数,可是最终保存的文件有1GB。。。。
|
API 算法框架/工具
越来越火的tf.keras模型,这三种构建方式记住了,你就是大佬!!!
越来越火的tf.keras模型,这三种构建方式记住了,你就是大佬!!!
114 0
|
算法 Windows
【文本分类】基于类信息的TF-IDF权重分析与改进
【文本分类】基于类信息的TF-IDF权重分析与改进
338 0
【文本分类】基于类信息的TF-IDF权重分析与改进
|
机器学习/深度学习 Python
机器学习: Label vs. One Hot Encoder
机器学习: Label vs. One Hot Encoder
160 0
|
存储 测试技术
测试模型时,为什么要with torch.no_grad(),为什么要model.eval(),如何使用with torch.no_grad(),model.eval(),同时使用还是只用其中之一
在测试模型时,我们通常使用with torch.no_grad()和model.eval()这两个方法来确保模型在评估过程中的正确性和效率。
856 0
|
机器学习/深度学习 PyTorch 算法框架/工具
model是一个模型网络,model.eval() 、model.train()是什么意思?
在PyTorch中,model.eval()是一个模型对象的方法,用于将模型设置为评估模式。当模型处于评估模式时,它会在前向传递期间禁用某些操作,如丢弃(dropout)和批量归一化(batch normalization),以确保模型的输出稳定性。
880 0