Alla

来源：https://tf.wiki/zh_hans/deployment/export.htmlCheckpoint 只保存模型的参数，不保存模型的计算过程，因此一般用于在具有模型源代码的时候恢复之前训练好的模型参数。而作为模型导出格式的 SavedModel 则更进一步，其包含了一个 TensorFlow 程序的完整信息：不仅包含参数的权值，**还包含计算的流程（即计算图）。当模型导出为 SavedModel 文件时，无须模型的源代码即可再次运行模型，这使得 SavedModel 尤其适用于模型的分

问题描述：#批量化和打乱数据train_dataset=tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)最近在学tensorflow2.0碰到这条语句，不知道怎么理解。查了一些资料，记录下来！下面先来说说batch(batch_size)和shuffle(buffer_size)1.batch(batch_size)直接先上代码：import tensorflow as

来源：北京大学Tensorflow2.0(B站搜)

1.先来看看普通版训练cifar10import tensorflow as tfimport osimport numpy as npfrom matplotlib import pyplot as pltfrom tensorflow.keras.layers import Conv2D, BatchNormalization, Activation, MaxPool2D, Dropout, Flatten, Densefrom tensorflow.keras import Model

来源：北京大学Tensorflow2.0(B站搜)在这里插入图片描述1.tf.keras.layers.Conv2D:2.池化：3.BN上图文字很重要，多少个卷积核就对应多少个因子4.tf.keras.layers.dropout:5.卷积是什么：

来源：北京大学Tensorflow2.0(B站搜)直接加载保存的模型，见上一篇博客：TF2.0断点读序（2）from PIL import Imageimport numpy as npimport tensorflow as tfmodel_save_path = 'E:/path/f2.0_data/tf_board/save_one/mnist.ckpt'model = tf.keras.models.Sequential([ tf.keras.layers.Flatten()

来源：北京大学Tensorflow2.0(B站搜)下面来演示mnist断点读序的方法：代码：（位置请大家设置）import tensorflow as tfimport osmnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0model = tf.keras.model

笔记来源：【北京大学】Tensorflow2.0(B站)常用函数：复杂度：过拟合：优化器：六步法1：六步法2：

参考tf官方文档：https://tensorflow.google.cn/tutorials/keras/classification?hl=zh_cn事实证明，测试数据集的准确性略低于训练数据集的准确性。训练准确性和测试准确性之间的差距代表过度拟合 。当机器学习模型在新的，以前看不见的输入上的表现比训练数据上的表现差时，就会发生过度拟合。过度拟合的模型“记忆”训练数据集中的噪声和细节，从而对新数据的模型性能产生负面影响。...

学习tensorflow2.0官方文档记录（一）：https://tensorflow.google.cn/tutorials/images/cnn?hl=zh_cn下载并准备 CIFAR10 数据集，有VPN的下的快，需要的私信我免费发。直接搬代码了：import tensorflow as tffrom tensorflow.keras import datasets, layers, modelsimport matplotlib.pyplot as plt(train_images,