回答情况：
提问时间：
问题标签：
我正在尝试使用TFMOT (Tensorflow model Optimization ToolKit)修剪一个预先训练好的模型。是否有必要重新训练修剪后的模型以获得更小的gzip大小？
浏览 39提问于2020-11-05得票数 0
我修剪了一个模型，并遇到了一个库TensorFlow模型优化，因此，最初，我们有
我在一个默认的数据集上训练了这个模型，它给了我96 %的准确率，这是很好的。然后，我将模型保存在JSON文件中，并将模型的权重保存在h5文件中，现在我将该模型加载到另一个脚本中，以便在应用剪枝和编译模型之后对其进行剪枝，得到了模型摘要。
虽然模型修剪得很好，参数也有了很大的减少，但是问题是为什么参数在应用修剪后会增加，而且即使在重新移动不可训练的参数之后，修剪和简单的模型仍然有相同数量的参数，任何人都可以解释我这是正常的还是我做错了什么。另外，请解释为什么会发生这种情况。预先谢谢各位:)
浏览 5提问于2021-02-07得票数 5
回答已采纳
我正在应用从tensorflow_model_optimization，tfmot.sparsity.keras.prune_low_magnitude()到MobileNetV2的剪枝功能。
浏览 1提问于2019-11-05得票数 0
回答已采纳
我想修剪一个tf层的最高重量值。我正在考虑使用tf.nn.top_k，但我不太确定我将如何做到这一点。pruning_params = { final_sparsity=0.8, begin_step=1000, end_step=2000), 'block_pooling_type': 'MAX'
model
浏览 2提问于2019-08-07得票数 2
回答已采纳
import tensorflow_model_optimization as tfmotquantize_model = tfmot.quantization.keras.quantize_modeltensorflow.python.keras.layers.normalization_
浏览 45提问于2021-01-08得票数 0
回答已采纳
#quant_aware_model = tfmot.quantization.keras.quantize_apply(annotated_model)
我在上面的代码中注释了这一行quant_aware_model= tfmot.quantization.keras.quantize_apply(annotated_model)，因为它抛出了错误ValueError: Unknown layer: AnchorBoxes#quant_aware_model = tfmot.quantization.keras.quantize_appl
浏览 5提问于2021-01-21得票数 0
回答已采纳
not isinstance(layer, tf.keras.layers.Rescaling): return tfmot.quantization.keras.quantize_annotate_layerstripped_clustered_model,)
pcqat_model = tfmot.quantization.kera
浏览 10修改于2022-11-21得票数 2
1回答
class DefaultDenseQuantizeConfig(tfmot.quantization.keras.QuantizeConfig):
pass
return [tfmot.quantization.keras.quantizers.MovingAverageQuantizer= self.base_m
浏览 66提问于2021-11-02得票数 0
import tensorflow_model_optimization as tfmot
pruning_params = {
'pruning_schedule': tfmot.sparsity.keras.PolynomialDecay
浏览 44修改于2021-06-25得票数 0
，这些是我的进口品.import tensorflow_model_optimization as tfmot epochs=5, 'pru
浏览 15修改于2020-10-23得票数 3
我试着做的是：import tensorflow_model_optimization as tfmot layer.trainable = Falsequantize_model_pretrained = tfmot.quantization.keras.quantize_modelactivation=&q
浏览 9修改于2022-07-11得票数 1
回答已采纳
下面是我的量化配置类： # Configure how to quantizedef get_weights_and_quantizers(self, layer):
return [(layer.kernel, tfmot.quantization.keras.quantizers.LastValueQuantizerdef get_activations_and_quantizers(self, layer)
浏览 11修改于2021-03-04得票数 2
pruning_params = { epochs, batch_size, validation_split=0.1): tfmot.sparsity.keras.UpdatePruningStep(),
tfmot.sparsit
浏览 4提问于2021-08-17得票数 0
回答已采纳
class DefaultDenseQuantizeConfig(tfmot.quantization.keras.QuantizeConfig): "CustomLayer": CustomLayer
q_aware_model = tfmot.quantization.keras.quantize_model(tflite_m
浏览 5提问于2022-05-24得票数 3
如何在不使用每一层tfmot.quantization.keras.quantize_annotate_layer的情况下直接预防它？
浏览 22提问于2020-09-29得票数 0
) return model 下面是代码的修剪部分 pruning_params = { metrics=['accuracy'])
callbacks = [ <e
浏览 120提问于2021-02-02得票数 0
),])
initial_sparsity=0.0, final_sparsity=0.5,
begin_step=2000, end_step=4000
浏览 43提问于2019-05-16得票数 2
回答已采纳
image_classification/resnet/common.py", line 26, in <module>
import tensorflow_model_optimization as tfmot
浏览 30提问于2020-05-20得票数 0
回答已采纳
tf.keras.layers.Flatten(),])
9
10 quantize_model = tfmot.quantization.
浏览 4提问于2022-05-16得票数 1
回答已采纳
import tensorflow_model_optimization as tfmotpruning_params_unpruned = {
'pruning_schedule
浏览 3修改于2020-01-31得票数 6
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号