Keras 如何利用训练好的神经网络进行预测
2023-09-14 09:11:35 时间
分成两种情况,一种是公开的训练好的模型,下载后可以使用的,一类是自己训练的模型,需要保存下来,以备今后使用。
如果是第一种情况,则参考 http://keras-cn.readthedocs.io/en/latest/other/application/
使用的是Application应用,文档中的例子如下
利用ResNet50网络进行ImageNet分类
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np
model = ResNet50(weights='imagenet')
#仅仅这样就可以
img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
preds = model.predict(x)
# decode the results into a list of tuples (class, description, probability)
# (one such list for each sample in the batch)
print('Predicted:', decode_predictions(preds, top=3)[0])
# Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458
如果是自己的模型想保存下来,参考http://keras-cn.readthedocs.io/en/latest/for_beginners/FAQ/#keras_1
又有两种方式,一种是:
你可以使用model.save(filepath)
将Keras模型和权重保存在一个HDF5文件中,该文件将包含:
- 模型的结构,以便重构该模型
- 模型的权重
- 训练配置(损失函数,优化器等)
- 优化器的状态,以便于从上次训练中断的地方开始
使用keras.models.load_model(filepath)
来重新实例化你的模型,如果文件中存储了训练配置的话,该函数还会同时完成模型的编译
另外一种方式,可以分开保存模型结构和模型参数:
如果你只是希望保存模型的结构,而不包含其权重或配置信息,可以使用:
# save as JSON
json_string = model.to_json()
# save as YAML
yaml_string = model.to_yaml()
这项操作将把模型序列化为json或yaml文件,这些文件对人而言也是友好的,如果需要的话你甚至可以手动打开这些文件并进行编辑。
当然,你也可以从保存好的json文件或yaml文件中载入模型:
# model reconstruction from JSON:
from keras.models import model_from_json
model = model_from_json(json_string)
# model reconstruction from YAML
model = model_from_yaml(yaml_string)
如果需要保存模型的权重,可通过下面的代码利用HDF5进行保存。注意,在使用前需要确保你已安装了HDF5和其Python库h5py
model.save_weights('my_model_weights.h5')
如果你需要在代码中初始化一个完全相同的模型,请使用:
model.load_weights('my_model_weights.h5')
如果你需要加载权重到不同的网络结构(有些层一样)中,例如fine-tune或transfer-learning,你可以通过层名字来加载模型:
model.load_weights('my_model_weights.h5', by_name=True)
例子:
- json_string = model.to_json()
- open('my_model_architecture.json','w').write(json_string)
- model.save_weights('my_model_weights.h5')
- model = model_from_json(open('my_model_architecture.json').read())
- model.load_weights('my_model_weights.h5')
http://blog.csdn.net/johinieli/article/details/69367176
http://blog.csdn.net/johinieli/article/details/69367434
相关文章
- Java实现蓝桥杯VIP算法训练 奇变的字符串
- Java实现 蓝桥杯VIP 算法训练 校门外的树
- Java实现 蓝桥杯VIP 算法训练 成绩的等级输出
- Java实现 蓝桥杯VIP 算法训练 递归求二进制表示位数
- 机器学习入门15 - 训练神经网络 (Training Neural Networks)
- 机器学习笔记 - win10安装Pytorch-GPU版本并训练第一个神经网络
- 机器学习笔记 - 使用自己收集的图片以及卷积神经网络,进行图像分类训练
- MAT之GUI:GUI的方式创建/训练/仿真/预测神经网络
- ML之xgboost:利用xgboost算法(自带方式)训练mushroom蘑菇数据集(22+1,6513+1611)来预测蘑菇是否毒性(二分类预测)
- DL之DNN:自定义MultiLayerNet【6*100+ReLU,SGD】对MNIST数据集训练进而比较【多个超参数组合最优化】性能
- DL:深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略
- TF之NN:基于Tensorflow利用神经网络算法对数据集(用一次函数随机生成100个数)训练预测斜率、截距(逼近已知一次函数)
- 传播路径可训练的神经网络(云上人二代)
- 为什么不使用多机训练神经网络
- 遗传和基因突变对神经网络训练的好处
- 训练神经网络的各种优化算法【文末赠书】
- 神经网络训练模型的两种写法
- 在Windows11平台上使用Hyper-V、WSL与虚拟机工具——调用NVIDIA-GPU进行深度学习训练
- 天天快乐编程2020年OI集训队 训练9题解
- 集训队日常训练20181124 DIV2
- 紫书第五章训练3 D - Throwing cards away I
- 一文看懂迁移学习:怎样用预训练模型搞定深度学习? ——重用神经网络的结构
- 行人重识别02-02:fast-reid(BoT)-官方数据训练测试
- 模型实战(3)之YOLOv7实例分割、模型训练自己数据集
- 训练大型神经网络方法总结