主頁 > 知識庫 > Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)

Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)

熱門標簽:鎮(zhèn)江人工外呼系統(tǒng)供應商 深圳網絡外呼系統(tǒng)代理商 外呼系統(tǒng)前面有錄音播放嗎 申請辦個400電話號碼 柳州正規(guī)電銷機器人收費 騰訊地圖標注有什么版本 高德地圖標注字母 400電話辦理費用收費 千呼ai電話機器人免費

我們以MNIST手寫數字識別為例

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
 
# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
 
# 創(chuàng)建模型,輸入784個神經元,輸出10個神經元
model = Sequential([
    Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
  ])
 
# 定義優(yōu)化器
sgd = SGD(lr=0.2)
 
# 定義優(yōu)化器,loss function,訓練過程中計算準確率
model.compile(
  optimizer = sgd,
  loss = 'mse',
  metrics=['accuracy'],
)
 
# 訓練模型
model.fit(x_train,y_train,batch_size=64,epochs=5)
 
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
 
print('\ntest loss',loss)
print('accuracy',accuracy)
 
# 保存模型
model.save('model.h5')  # HDF5文件,pip install h5py

載入初次訓練的模型,再訓練

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
from keras.models import load_model
# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
 
# 載入模型
model = load_model('model.h5')
 
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
 
print('\ntest loss',loss)
print('accuracy',accuracy)
 
# 訓練模型
model.fit(x_train,y_train,batch_size=64,epochs=2)
 
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
 
print('\ntest loss',loss)
print('accuracy',accuracy)
 
# 保存參數,載入參數
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
# 保存網絡結構,載入網絡結構
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)
 
print(json_string)

關于compile和load_model()的使用順序

這一段落主要是為了解決我們fit、evaluate、predict之前還是之后使用compile。想要弄明白,首先我們要清楚compile在程序中是做什么的?都做了什么?

compile做什么?

compile定義了loss function損失函數、optimizer優(yōu)化器和metrics度量。它與權重無關,也就是說compile并不會影響權重,不會影響之前訓練的問題。

如果我們要訓練模型或者評估模型evaluate,則需要compile,因為訓練要使用損失函數和優(yōu)化器,評估要使用度量方法;如果我們要預測,則沒有必要compile模型。

是否需要多次編譯?

除非我們要更改其中之一:損失函數、優(yōu)化器 / 學習率、度量

又或者我們加載了尚未編譯的模型。或者您的加載/保存方法沒有考慮以前的編譯。

再次compile的后果?

如果再次編譯模型,將會丟失優(yōu)化器狀態(tài).

這意味著您的訓練在開始時會受到一點影響,直到調整學習率,動量等為止。但是絕對不會對重量造成損害(除非您的初始學習率如此之大,以至于第一次訓練步驟瘋狂地更改微調的權重)。

到此這篇關于Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)的文章就介紹到這了,更多相關Keras保存模型并加載模型內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!

您可能感興趣的文章:
  • keras修改backend的簡單方法
  • keras的get_value運行越來越慢的解決方案
  • 基于keras中訓練數據的幾種方式對比(fit和fit_generator)
  • 淺談Keras中fit()和fit_generator()的區(qū)別及其參數的坑
  • TensorFlow2.0使用keras訓練模型的實現(xiàn)
  • tensorflow2.0教程之Keras快速入門
  • 淺析關于Keras的安裝(pycharm)和初步理解
  • 基于Keras的擴展性使用

標簽:烏蘭察布 海南 烏蘭察布 郴州 大慶 平頂山 哈爾濱 合肥

巨人網絡通訊聲明:本文標題《Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)》,本文關鍵詞  Keras,保存,模型,并,載入,;如發(fā)現(xiàn)本文內容存在版權問題,煩請?zhí)峁┫嚓P信息告之我們,我們將及時溝通與處理。本站內容系統(tǒng)采集于網絡,涉及言論、版權與本站無關。
  • 相關文章
  • 下面列出與本文章《Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)》相關的同類信息!
  • 本頁收集關于Keras保存模型并載入模型繼續(xù)訓練的實現(xiàn)的相關信息資訊供網民參考!
  • 推薦文章