Керас, як я можу передбачити після того, як я навчив модель?

Я граюсь із набором даних із прикладу reuters, і він працює нормально (моя модель навчена). Я читав про те, як зберегти модель, щоб я міг завантажити її пізніше, щоб використовувати знову. Але як я можу використовувати цю збережену модель для прогнозування нового тексту? Чи використовую я models.predict()?

Чи потрібно готувати цей текст особливим чином?

Я спробував це за допомогою

import keras.preprocessing.text

text = np.array(['this is just some random, stupid text'])
print(text.shape)

tk = keras.preprocessing.text.Tokenizer(
        nb_words=2000,
        filters=keras.preprocessing.text.base_filter(),
        lower=True,
        split=" ")

tk.fit_on_texts(text)
pred = tk.texts_to_sequences(text)
print(pred)

model.predict(pred)

Але я завжди отримую

(1L,)
[[2, 4, 1, 6, 5, 7, 3]]
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-83-42d744d811fb> in <module>()
      7 print(pred)
      8 
----> 9 model.predict(pred)

C:\Users\bkey\Anaconda2\lib\site-packages\keras\models.pyc in predict(self, x, batch_size, verbose)
    457         if self.model is None:
    458             self.build()
--> 459         return self.model.predict(x, batch_size=batch_size, verbose=verbose)
    460 
    461     def predict_on_batch(self, x):

C:\Users\bkey\Anaconda2\lib\site-packages\keras\engine\training.pyc in predict(self, x, batch_size, verbose)
   1132         x = standardize_input_data(x, self.input_names,
   1133                                    self.internal_input_shapes,
-> 1134                                    check_batch_dim=False)
   1135         if self.stateful:
   1136             if x[0].shape[0] > batch_size and x[0].shape[0] % batch_size != 0:

C:\Users\bkey\Anaconda2\lib\site-packages\keras\engine\training.pyc in standardize_input_data(data, names, shapes, check_batch_dim, exception_prefix)
     79     for i in range(len(names)):
     80         array = arrays[i]
---> 81         if len(array.shape) == 1:
     82             array = np.expand_dims(array, 1)
     83             arrays[i] = array

AttributeError: 'list' object has no attribute 'shape'

Чи є у вас рекомендації щодо того, як робити прогнози за допомогою навченої моделі?

model.predict()очікує, що першим параметром буде масив numpy. Ви shapeнадаєте список, який не має атрибута, який має масив numpy.

В іншому випадку ваш код виглядає нормально, за винятком того, що ви нічого не робите з прогнозом. Переконайтеся, що ви зберігаєте його у змінній, наприклад, так:

prediction = model.predict(np.array(tk.texts_to_sequences(text)))
print(prediction)

model.predict_classes(<numpy_array>)

Зразок https://gist.github.com/alexcpn/0683bb940cae510cf84d5976c1652abd

Ви повинні використовувати той самий маркер, який ви використовували для створення своєї моделі!

В іншому випадку це дасть різний вектор кожному слову.

Потім я використовую:

phrase = "not good"
tokens = myTokenizer.texts_to_matrix([phrase])

model.predict(np.array(tokens))

Я навчив нейронну мережу в Керасі виконувати нелінійну регресію щодо деяких даних. Це частина мого коду для тестування нових даних за допомогою збережених раніше конфігурації моделі та ваг.

fname = r"C:\Users\tauseef\Desktop\keras\tutorials\BestWeights.hdf5"
modelConfig = joblib.load('modelConfig.pkl')
recreatedModel = Sequential.from_config(modelConfig)
recreatedModel.load_weights(fname)
unseenTestData = np.genfromtxt(r"C:\Users\tauseef\Desktop\keras\arrayOf100Rows257Columns.txt",delimiter=" ")
X_test = unseenTestData
standard_scalerX = StandardScaler()
standard_scalerX.fit(X_test)
X_test_std = standard_scalerX.transform(X_test)
X_test_std = X_test_std.astype('float32')
unseenData_predictions = recreatedModel.predict(X_test_std)

Ви можете просто "зателефонувати" своїй моделі з масивом правильної форми:

model(np.array([[6.7, 3.3, 5.7, 2.5]]))

Повний приклад:

from sklearn.datasets import load_iris
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
import numpy as np

X, y = load_iris(return_X_y=True)

model = Sequential([
    Dense(16, activation='relu'),
    Dense(32, activation='relu'),
    Dense(1)])

model.compile(loss='mean_absolute_error', optimizer='adam')

history = model.fit(X, y, epochs=10, verbose=0)

print(model(np.array([[6.7, 3.3, 5.7, 2.5]])))

<tf.Tensor: shape=(1, 1), dtype=float64, numpy=array([[1.92517677]])>