一文带你用可视化理解卷积神经网络( 八 )

2019-06-10

我们有了模型的详细架构以及每层的可训练参数的数量。上面的输出可以多花一点时间去浏览，这样才能了解我们现有的数据情况。

我们仅训练模型层的一个子集（特征提取）是很重要的。我们可以生成模型摘要，并确保不可训练参数的数量与我们不想训练的层匹配。

此外，我们可以使用可训练参数的总数来检查我们的GPU是否能够为训练模型分配足够的内存。这对于我们大多数在个人电脑上工作的人来说，是一个比较熟悉的挑战！

访问CNN的每个层

既然我们知道如何获得模型的整体架构，让我们深入探索并尝试探索每个独立的层。

实际上，访问Keras模型的各个层并提取与每个层相关的参数非常容易。这包括图层权重和其他信息，如滤波器的数量。

现在，我们将创建将图层名称映射到其相应特征和图层权重的字典：

推荐阅读

上一篇：管道向下焊工艺及各种向下焊工艺焊接参数

下一篇：特斯拉否认“云降级” 中国市场不会出现这种情况