tf.keras.model call()方法，是否可以使用带有标签的方法call()？
tf.keras.model的call()方法是用于定义模型的前向传播逻辑的方法。它接受输入张量作为参数，并返回输出张量。在call()方法中，可以使用各种层和操作来构建模型的计算图。
在tf.keras中，call()方法是一个特殊的方法，用于定义模型的前向传播逻辑。它被调用时，会将输入张量传递给模型的第一层，并通过层之间的连接和操作来计算输出张量。因此，call()方法是模型的核心方法，用于执行模型的推理过程。
在call()方法中，可以使用带有标签的方法call()。这些带有标签的方法可以用于实现一些特定的功能，例如在模型中添加自定义的损失函数、度量指标或其他自定义操作。通过在call()方法中调用这些带有标签的方法，可以将它们与模型的前向传播逻辑结合起来，实现更复杂的功能。
举例来说，可以在call()方法中使用带有标签的方法call()来定义一个自定义的损失函数。首先，需要在模型的初始化方法中定义这个带有标签的方法，然后在call()方法中调用它。例如：
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.dense = tf.keras.layers.Dense(10)
self.custom_loss = self.my_custom_loss
def my_custom_loss(self, y_true, y_pred):
# 自定义损失函数的实现
def call(self, inputs):
x = self.dense(inputs)
output = self.custom_loss(x, x)
return output在这个例子中，自定义的损失函数my_custom_loss()被定义为带有标签的方法，并在call()方法中调用。这样，每次调用模型的call()方法时，都会计算输出张量，并将其传递给自定义损失函数进行计算。
需要注意的是，带有标签的方法call()的具体实现取决于具体的需求和功能。可以根据实际情况来定义和使用这些带有标签的方法，以实现所需的功能。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云官网：https://cloud.tencent.com/
- 腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库MySQL版：https://cloud.tencent.com/product/cdb_mysql
- 腾讯云人工智能平台（AI Lab）：https://cloud.tencent.com/product/ailab
- 腾讯云物联网平台（IoT Hub）：https://cloud.tencent.com/product/iothub
- 腾讯云移动开发平台（MPS）：https://cloud.tencent.com/product/mps
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务（BCS）：https://cloud.tencent.com/product/bcs
- 腾讯云元宇宙服务（Tencent XR）：https://cloud.tencent.com/product/xr
相关·内容
一段时间以来，我一直有一个问题困扰着我:是否可以对标签使用tf.keras.model的call()方法？在我看来，这是不合理的，但奇怪的是，你可以使用这种方法训练模型，但不能向它传递像.fit()方法这样的标签。 此外，当我在tensorflow文档中阅读制作DCGAN的教程时，也出现了这个问题。 来源：https://www.tensorflow.org/tutorials/generative/dcgan
浏览 147提问于2021-10-16得票数 0
回答已采纳
我试图用描述的结构来实现INN (可逆神经网络)。
我想知道是否可以创建一个块(如本文所建议的)，作为一个具有两个不同调用函数的定制keras层。
基本结构如下：
import tensorflow as tf
import tensorflow.keras.layers as layers
class INNBlock(tf.keras.Model):
#inheriting from model instead of keras.layers.Layer, because I want manage the
#underlying layer as well
def __ini
浏览 1提问于2019-12-15得票数 2
回答已采纳
我希望构建tf.keras.Model的子类，并希望看到带有summary函数的模型结构。但这不管用。以下是我的代码：
import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.conv1 = tf.keras.layers.Conv2D(32, 3, activation='relu')
self.flatten = tf.keras.layers.Fla
浏览 0提问于2019-04-15得票数 1
回答已采纳
为什么tensorflow禁用tf.keras.Model的tf.keras.Model函数中的急切执行？也许我做错了什么，但这里有一个例子：
from __future__ import annotations
from functools import wraps
import tensorflow as tf
def print_execution(func):
@wraps(func)
def wrapper(self: SimpleModel, data):
print(tf.executing_eagerly()) # Prints False
浏览 9提问于2021-03-23得票数 1
回答已采纳
我有一个需要自定义推理的模型，因此我修改了tf.keras.Model类的tf.keras.Model方法。我希望根据某些参数修改推理，是否有一种简单的方法让predict方法接收参数并将它们传递给predict_step函数？
类似于：
class SimpleModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.threshold = None
def call(self, inputs, training=None, mask=None):
r
浏览 0提问于2021-03-22得票数 0
回答已采纳
给出下面两个示例，在tf.data.Dataset签名时是否有性能改进？
不在tf.function中的数据集
import tensorflow as tf
class MyModel(tf.keras.Model):
def call(self, inputs):
return tf.ones([1, 1]) * inputs
model = MyModel()
model2 = MyModel()
@tf.function
def train_step(data):
output = model(data)
output = mode
浏览 1提问于2019-05-08得票数 4
回答已采纳
在Tensorflow2.0中，我发现可以通过以下方式初始化Model中的变量
class MyModel(tf.keras.Model):
def __init__(self, *args, kwargs**):
""" some definition here """
self(tf.keras.Input(shape=(3,)))
def call(self, x):
""" some implementation """
浏览 14提问于2019-11-08得票数 1
回答已采纳
我有一个自定义的tf.keras.Model，它包装了一个现有的模型：
class MyNet(tf.keras.Model):
def __init__(self, net):
super(MyNet, self).__init__()
self.net = net
def call(self, inputs):
return tf.reduce_sum(self.net(inputs), axis=[1, 2])
例如，我可以用现有的模型实例化这个模型，我可以保存它，但是保存包装的模型不起作用：
net = tf.keras.
浏览 54提问于2021-06-02得票数 0
1回答
我想创建一个自动编码器子类化Keras Model类，我不知道是否可以分别创建编码器和解码器，并将它们合并到一个新的AutoEncoder类中，或者我需要在同一个类中创建编码器和解码器。
这是一个类中的超级简单的自动编码器的示例：
INPUT_SHAPE = 254
class AutoEncoder(tf.keras.Model):
def __init__(self):
super().__init__()
# Encoder
self.dense1 = tf.keras.layers.Dense(128, input_shape=(
浏览 13提问于2020-11-15得票数 1
回答已采纳
1回答
我试图使用TensorFlow2构建一些模型，因此我创建了一个模型类，如下所示：
import tensorflow as tf
class Dummy(tf.keras.Model):
def __init__(self, name="dummy"):
super(Dummy, self).__init__()
self._name = name
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf
浏览 2提问于2020-02-26得票数 1
回答已采纳
在一些使用tf2的Tensorflow教程中(例如和)，它们定义了自定义tf.keras.Models而不是tf.keras.layers.Layers (例如BahdanauAttention(tf.keras.Model):)。
另外，文档显式地使用tf.keras.Model。这一节说：
创建包含其他层的类似层的东西时使用的主要类是tf.keras.Model。实现一个是通过继承从tf.keras.Model完成的。
听起来，我们需要继承tf.keras.Model来定义一个构成子层的层。
但是，据我所查，即使我将ResnetIdentityBlock定义为tf.keras.la
浏览 4提问于2019-09-26得票数 6
我正在尝试创建一个keras模型，它需要对输入进行特殊的预处理，然后才能被模型本身调用。我正在子类化，因为模型只是复杂网络的一部分，因此我可以连接输出并直接从code...etc的其他部分访问模型行为。
我设计它的方式是在构造函数中使用keras来链接层，如果我不使用定义call方法(在调用实例时，它的行为似乎与正常使用fAPI完全一样)。
我的问题是，当我DO想要定义call方法时，我不确定要调用哪个函数来从构造函数访问编译模型的默认行为：
import tensorflow as tf
import numpy as np
class MyModel(tf.keras.Model):
浏览 3提问于2020-12-16得票数 3
背景
据我所知，Keras将成为编写渴望/懒惰的不可知论模型的首选方式。似乎还有对带有Keras ()的的支持，这是很棒的，因为这是我在当前tf.estimator项目中使用的ETL。
问题
我想保留我的tf.data管道，但是用一个tf.keras.Model替换我的tf.estimator，但是在移植我的图形之后，我被一个
ValueError: Please do not pass a dictionary as model inputs.
在调用model.fit(dataset, steps_per_epoch=n)时，我觉得很奇怪，因为构建tf.data/tf.estimator是
浏览 2提问于2018-08-30得票数 3
是否有可能获得传递给使用training构造函数( "functional“)的模型中的一个层的tf.keras.Model()参数的正确值，还是必须将tf.keras.Model()子类来实现？
我需要training给tf.keras.layers.BatchNormalization。
浏览 1提问于2020-01-08得票数 0
回答已采纳
我定义了一个自定义的LSTM层，如下所示： class LSTMModel(tf.keras.Model):
def __init__(self, CNN_model, num_classes):
super().__init__()
self.cnn_model = CNN_model
self.lstm = tf.keras.layers.LSTM(units=64, return_state=True, dropout=0.3)
self.dense = tf.keras.layers.Dense(num_clas
浏览 43提问于2021-10-27得票数 0
回答已采纳
我正在训练一个基于密度集的特征提取器，它看起来如下所示：
# Import the Sequential model and layers
from keras.models import Sequential
import keras
import tensorflow as tf
from keras.layers import Conv2D, MaxPooling2D, Lambda, Dropout, Concatenate
from keras.layers import Activation, Dropout, Flatten, Dense
import pandas as pd
浏览 0提问于2021-07-17得票数 1
我想保存虚拟的tensorflow模型，以便稍后与tensorflow服务一起使用。我尝试使用以下代码片段来准备这样的模型：
import tensorflow as tf
input0 = tf.keras.Input(shape=[2], name="input_0", dtype="int32")
input1 = tf.keras.Input(shape=[2], name="input_1", dtype="int32")
output = tf.keras.layers.Add()([input0, input1])
浏览 4提问于2022-09-28得票数 0
回答已采纳
keras模型是否支持SageMaker分布式数据并行(SMDDP)？
在文档中，它说"SageMaker分布式数据并行适用于除tf.keras模块以外由tf核心模块组成的TensorFlow培训脚本，SageMaker分布式数据并行不支持带有Keras实现的TensorFlow。“
但是在培训脚本内部以及如何修改它，我可以看到使用了tf.keras和tf.keras.model。
浏览 12提问于2022-09-09得票数 0
例如，我有一个形状输入(1,1000，10) (所以，src.shape将是(1, 1000, 10))。然后：
class Model(tf.keras.Model):
def __init__(self):
super(Model, self).__init__()
self.attention1 = tf.keras.layers.MultiHeadAttention(num_heads=20, key_dim=9)
self.dense = tf.keras.layers.Dense(10, ac
浏览 0提问于2021-11-19得票数 3
回答已采纳
有没有方法克隆Tensorflow中基于子类的模型？例如，如果我有以下模型：
class MySequentialModel(tf.keras.Model):
def __init__(self, name=None, **kwargs):
super().__init__(**kwargs)
self.dense_1 = FlexibleDense(out_features=3)
self.dense_2 = FlexibleDense(out_features=2)
def call(self, x):
x = self.dense_1(x)
浏览 9提问于2021-02-05得票数 2
我用的是Tensorflow 2.3。
如果我使用普通tf张量输入，下面的示例工作得很好：
import tensorflow as tf
text_input = tf.keras.Input([None], dtype=tf.string, name="text_input", ragged=False)
predictions = tf.gather(text_input, 0, axis=-1)
model = tf.keras.Model(inputs=[text_input], outputs=[predictions])
model(tf.constant([[&
浏览 8提问于2020-09-11得票数 2
回答已采纳
1回答
我做了这个功能，将一个resnet集成到一个模型中。效果很好，我可以拯救它。我的问题是我不能加载它，因为它需要一个调用函数。我不太清楚如何把这门课变成一门课。企图是在最底层。一些指点是有帮助的。
def build_network():
inp = Input(shape=(256,256,3))
resnet = tf.keras.applications.ResNet152V2(
include_top=False, weights='imagenet', input_tensor=None,
input_shape=(2
浏览 1提问于2021-03-02得票数 0
回答已采纳
根据the documentation for a model的说法，有两种等效的方法来创建模型:通过对Model类进行子类化或使用functional API。 当我运行下面的代码时，我得到一个错误。请告诉我为什么会这样。这两个模型不应该是相同的吗？ import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.dense1 = tf.keras.layers.Dense(4, activation=tf.
浏览 36提问于2021-01-23得票数 0
回答已采纳
1回答
class MyModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.dense = tf.keras.layers.Dense(1)
self.build(input_shape=[None, 1])
def call(self, inputs, **kwargs):
return self.dense(inputs)
MyModel().summary()
模型图也不起作用：
tf.keras.utils.plot_m
浏览 2提问于2021-04-03得票数 2
回答已采纳
我构建了这样一个简单的模型，将(32, 32, 1)的输入形状指定到第一个(也是唯一的)层：
import numpy as np
import tensorflow as tf
class Model(tf.keras.Model):
def __init__(self):
super().__init__()
self.conv = tf.keras.layers.Conv2D(64, 3, input_shape=(32, 32, 1))
def call(self, x):
x = self.conv(x)
return x
model =
浏览 1提问于2020-04-02得票数 0
回答已采纳
我需要在webservice的头中添加带有会话id和会话名称的cookie。
@POST(ApiUrl.AUTH_TOKEN_VERIFICATION)
Call<LogoutResponse> authTokenVerification(@Body Logout logout);
这是我目前的实现。如何使用cookie附加header标签。我是否需要创建一个cookie对象，或者如何实现？
浏览 1提问于2017-11-14得票数 0
我看到Keras允许编写自定义层和训练例程。但是，为了在keras中构建自定义模型，我们可以构建一个类来扩展keras.Model类。我们可以用梯度磁带自定义训练步骤，但是如何自定义通常称为model.predict的预测函数？
class MiniInception(tf.keras.Model):
def __init__(self, num_classes=10):
super(MiniInception, self).__init__()
def call(self, input_tensor, training=False, **kwargs):
浏览 9提问于2022-03-16得票数 0
回答已采纳
1回答
Keras子分类api样式
、、、、
我坚持用一个子类method.The来做一个模型，问题是在这个子类方法中，我们的输入形状方法在哪里，我们的编译步骤在哪里？
好心帮忙我得做作业了。
import tensorflow as tf
class MyModel(tf.keras.Model):
def __init__(self):
self.dense1 = tf.keras.layers.Dense(4, activation=tf.nn.relu)
self.dense2 = tf.keras.layers.Dense(5, activation=tf.nn.softmax)
def call(
浏览 0提问于2018-05-15得票数 0
2回答
在回答时，出现了调用init需要参数标签的问题。这在Swift中是正常的。
class Foo {
init(one: Int, two: String) { }
}
let foo = Foo(42, "Hello world") // Missing argument labels 'one:two:' in call
然而，更奇怪的力量在起作用：
extension Foo {
func run(one: String, two: [Int]) { }
}
foo.run(one: "Goodbye", two: [])
浏览 95提问于2014-07-18得票数 67
回答已采纳
我正在尝试在tensorflow中实现一个自定义模型，扩展tf.keras.Model类。
我需要一种方法来添加n层的LSTM层到模型中。
例如，假设以下实现
class CustomizedLSTM(tf.keras.Model):
def __init__(self, num_hidden_layers, vocab_size):
super(CustomizedLSTM, self).__init__()
self.embedding = tf.keras.layers.Embedding(vocab_size,300)
self.
浏览 0提问于2021-08-23得票数 0
回答已采纳
在neo4j数据库中，如果我列出所有带有CALL db.labels()的标签，它将返回216个记录。主要是因为在这个数据库中已经有了很多的发展。但是，如果我列出所有节点并通过标签对它们进行计数，我只有35条记录。
是否与标签数量有关，即使某些标签没有节点？，如果是，我们如何删除它们？
浏览 3提问于2021-03-24得票数 1
tf.keras.Model I am培训有以下主要绩效指标：
转义率：(具有预测标签0和真标签1的样本)/(具有真标签1的样本)错误调用率：(具有预测标签1和真标签0的样本)/(具有真标签0的样本)
目标逃逸率是预先定义的，这意味着必须适当地设置决策阈值。为了计算出结果的错误调用率，我想按照以下伪代码的方式实现一个自定义度量：
# separate predicted probabilities by their true label
all_ok_probabilities = all_probabilities.filter(true_label == 0)
all_nok_probab
浏览 1提问于2021-06-12得票数 0
tensorflow keras中的层有一个方法build，用于将权重的创建推迟到您看到输入将是什么的时候。
我有几个问题我没有找到答案：
据说，如果将一个层实例指定为另一个层的属性，外层将开始跟踪内部层的权重。
跟踪一层的权重意味着什么？
同样的链接还提到，我们建议在init方法中创建这样的子层(因为子层通常有一个构建方法，它们将在构建外部层时生成)。
这是否意味着在运行子类(self)的build方法时，将对self的所有属性进行迭代，而无论从( tf.keras.layer.Layer的实例)中找到哪个子类，都会自动运行它们的build方法吗？
我可以运行以下
浏览 3提问于2020-05-15得票数 3
我想在keras model.fit中使用标签平滑，但它给出了错误。如果我尝试 model = tf.keras.Model(inputs=inputs, outputs=predictions)
optimizer = tf.keras.optimizers.Adam(0.001)
model.compile(optimizer=optimizer, loss=tf.losses.sigmoid_cross_entropy(label_smoothing=0.1)) 它会给出错误 TypeError: sigmoid_cross_entropy() missing 2 required
浏览 84提问于2019-04-29得票数 2
回答已采纳
我试图从CSV数据创建tfrecords文件，然后使用tf.data.TFRecordDataset()从它们创建Dataset，然后将Dataset提供给tf.keras.Model。(实际上，我正在使用直接从Spark创建tfrecords文件。)
在中，参数x是输入数据。它可以是：
一个tf.data数据集。应该返回(输入、目标)或(输入、目标、sample_weights)的元组。
tf.keras.Model Q1：是知道在哪里分离特性和标签的地方吗？，即特征是inputs，标签是targets。
但是，在一些示例中，我看不到构建tfrecords文件或tf.data.Dat
浏览 1提问于2020-01-21得票数 4
回答已采纳
我正在尝试从google dataflow batch连接到cassandra (它有防火墙规则标签)，而且dataflow服务将创建带有“dataflow”标签的工作程序。
是否可以更改默认标签？或者添加更多的标签？
浏览 0提问于2017-07-04得票数 2
从tf.keras.Model继承的类中的权重目前似乎无法加载。我无法使用检查点从类外部加载Example()中的权重，所以我尝试在内部加载，根据所有帐户，这应该可以工作。它能够保存权重，就像保存Example()时一样，但是它仍然不能加载它们。这是我的模型代码：
class Example(tf.keras.Model):
def __init__(self, cfg):
super(Example, self).__init__()
self.model = tf.keras.Sequential([
........la
浏览 18提问于2019-04-17得票数 3
回答已采纳
我对tf.keras.Model类进行了子类化，并进行了我认为是迁移学习的工作。代码如下： import tensorflow as tf
from tensorflow.keras.layers import Conv2D
from tensorflow.python.keras.applications.xception import Xception
class MyModel(tf.keras.Model):
def __init__(self, input_shape, num_classes=5, dropout_rate=0.5):
super(MyModel,
浏览 20提问于2021-10-05得票数 0
回答已采纳
目标：构建一个具有跳过连接的神经网络，其中块数是一个参数，我们将tf.keras.Model子类。
Problem：在子类tf.keras.Model时，我们在__init__()中定义网络层，并在call()中指定向前传递。当tf.keras.layers.add层在__init__()中定义时，必须指定两个参数(要添加的两个张量)。然而，这些张量只存在于call()的范围内。在何处以及如何向tf.keras.layers.add()提供参数
密码在下面。请参见以# PROBLEM结尾的行。我尝试创建实例变量作为add()的参数(例如，internalTensor，它是内部“流”张量，通常写
浏览 1提问于2020-12-21得票数 1
回答已采纳
在实现变分自动编码器时，我遇到了这个问题。下面的示例具有一个简单的encoder、decoder和vae，它们都是使用functional创建的。vae像往常一样由encoder和decoder组成。我正在使用自定义回调来获得中间层预测。
import tensorflow as tf
import numpy as np
inputs = tf.keras.layers.Input((1,))
outputs = tf.keras.layers.Dense(units=32)(inputs)
encoder = tf.keras.Model(inputs, outputs)
in
浏览 1提问于2020-07-01得票数 0
回答已采纳
更新：
我做了更多的测试，我不能用以下命令重现这个行为：
import tensorflow as tf
import numpy as np
@tf.function
def tf_being_unpythonic(an_input, another_input):
return an_input + another_input
@tf.function
def example(*inputs, other_args = True):
return tf_being_unpythonic(*inputs)
class TestClass(tf.keras.Model):
浏览 0提问于2019-12-04得票数 0
我有一个tf.keras.Model的子类模型，代码如下
import tensorflow as tf
class Mymodel(tf.keras.Model):
def __init__(self, classes, backbone_model, *args, **kwargs):
super(Mymodel, self).__init__(self, args, kwargs)
self.backbone = backbone_model
self.classify_layer = tf.keras.layers.Dens
浏览 22提问于2019-11-01得票数 9
回答已采纳
下面是tensorflow文档中的代码。()
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
在tf.keras.Model中，发送与输入和输出张量相关的信息。
但是没有关于建模的信息(两个密集层和激活函数)
如何将建
浏览 3提问于2020-07-08得票数 0
我创建了以下Keras自定义模型：
import tensorflow as tf
from tensorflow.keras.layers import Layer
class MyModel(tf.keras.Model):
def __init__(self, num_classes):
super(MyModel, self).__init__()
self.dense_layer = tf.keras.layers.Dense(num_classes,activation='softmax')
self.lam
浏览 3提问于2022-02-21得票数 1
回答已采纳
是否有可能将不同层次的损失结合起来？假设我有一个五层的模型。
第一损失(不管它是什么)是从带有一些标签的第三层的输出计算的。
第二个损失(例如，典型的交叉熵损失)是根据最后一层的输出和分类标签计算的。
有代码的一个例子如下：
def get_intermediate_model(base_model, intermediate_layer):
model = tf.keras.Model(inputs=base_model.inputs, outputs=base_model.layers[intermediate_layer-1].output)
return model
浏览 2提问于2022-10-05得票数 0
回答已采纳
1回答
如何让损失得到改变？
、、、、
这个NN的损失被卡在了3.7666，但我不知道为什么。我正在用大约50个训练样本进行测试，所以增加这个值是否有助于减少损失？ inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
X = np.reshape(X,(-1,25425))
input_img =tf.keras.layers.Input(25425,)
encoded1 = tf.keras.layers.Dense(750,activation=tf.nn.relu)(input_img)
浏览 30提问于2019-08-25得票数 0
我正在尝试编写我自己的keras层。在这一层中，我想使用一些其他的keras层。有没有办法这样做： class MyDenseLayer(tf.keras.layers.Layer):
def __init__(self, num_outputs):
super(MyDenseLayer, self).__init__()
self.num_outputs = num_outputs
def build(self, input_shape):
self.fc = tf.keras.layers.Dense(self.num_outputs)
def c
浏览 111提问于2019-01-15得票数 15
回答已采纳
谢谢你的关注，我是一个新的Azure Devops API用户。
现在，我想用相同的标签过滤一些回购网址。
基于：的api规则
GET https://dev.azure.com/{organization}/{project}/_apis/git/repositories/{repositoryId}/annotatedtags/{objectId}?api-version=7.0
我可以得到{organization}，{project}，{repositoryId}，但是我还没有找到获取标签id:{objectId}的API。
objectId path True st
浏览 10提问于2022-11-17得票数 0
我已经使用tensorflow创建了一个keras子类模型。代码片段如下所示。 class SubModel(Model):
def call(self, inputs):
print(inputs)
model = SubModel()
model.fit(data, labels, ...) 当fit模型时，它将获得输入和input_shape本身。我想要做的就是像functional一样将输入传递给模型myself.Just。 inputs = tf.keras.input(shape=(100,))
model = tf.keras.Model(inputs
浏览 11提问于2019-09-29得票数 3
回答已采纳
我有一个回归tf.keras.Model，它包含：
x: tuple[np.ndarray, np.ndarray]，两个项目具有不同形状的形状是(128, 1152)和(1, 256)
y: float
我的模型和训练都是这样编成的：
class MyModel(tf.keras.Model):
def __init__(self):
... # Omitted for brevity
def call(self, inputs: tuple[tf.Tensor, tf.Tensor], training=None, mask=None):
浏览 29提问于2022-11-23得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
