tensorflow怎么可視化權重？您可以使用tensorboard的直方圖可視化功能，例如：tf直方圖摘要（圖層名稱“/weights”，權重）#名稱，權重分配。最后，打開tensorboard的直

tensorflow怎么可視化權重？

您可以使用tensorboard的直方圖可視化功能，例如：tf直方圖摘要（圖層名稱“/weights”，權重）#名稱，權重分配。最后，打開tensorboard的直方圖菜單，可以看到如下內容：可以可視化權重的分布。

Keras還是TensorFlow，程序員該如何選擇深度學習框架？

如果您想用少量代碼盡快構建和測試神經網絡，keras是最快的，而且順序API和模型非常強大。而且keras的設計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構造過程非常復雜（尤其對于初學者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設計原則之一，用戶可以根據(jù)自己的需求進行組合。如果你只是想快速建立通用模型來實現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點將更加明顯。除了一些對速度要求較低的工業(yè)應用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經網絡的控制程度將在很大程度上決定對網絡的理解和優(yōu)化，而keras提供的權限很少。相反，tensorflow提供了更多的控制權，比如是否訓練其中一個變量、操作梯度（以獲得訓練進度）等等。

盡管它們都提供了深度學習模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實現(xiàn)與多個線程的相同會話。此外，它還提供了調試器功能，有助于推斷錯誤和加快操作速度。

tensorflow保存好訓練的模型，restore后驗證集的正確率很低？

我沒有使用tensorflow，我是從數(shù)據(jù)的角度考慮的

1。導入后，隨機查看多個節(jié)點的權重參數(shù)，看網絡是否正常保存

2。這是第一次在數(shù)據(jù)規(guī)范化訓練數(shù)據(jù)中使用test，第二次只使用test。一些隨機方法可以在網絡中使用，如隨機抽樣

4。使用聯(lián)機更新