时间戳

首页 > 解决方案 > 如何在新输入上使用经过训练的模型？

python - 如何在新输入上使用经过训练的模型？

问题描述

我创建了一个 CNN 模型，可以用来区分 DOGS 和 CATS。在训练过程中，我的模型在 4/25 epoch 结束时显示出 99% 的训练准确率和 81% 的测试准确率。这是正常的吗？还是在完成所有时代后可能会出现任何问题？

所以我需要使用这个 CNN 模型来处理不属于我的测试集训练的新输入。如何使用我的模型来预测一些新照片？

我没有使用过classifier.save( )，所以训练后我可以使用该命令来保存模型吗？还是我必须clssifier.save()在最后重新编译所有内容？

# Part 1 - Building the CNN

# Importing the Keras libraries and packages
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Initialising the CNN
classifier = Sequential()

# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening
classifier.add(Flatten())

# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')

classifier.fit_generator(training_set,
                         steps_per_epoch = 8000,
                         epochs = 25,
                         validation_data = test_set,
                         validation_steps = 2000)

标签： pythontensorflowkerasdeep-learningconv-neural-network

解决方案

该模型具有将模型save的架构和训练配置导出到文件中的方法，该文件可以在以后提取和使用。可以在此处找到相同的文档。

导入模型后，您可以在任何您想要的数据集上使用该模型。关于模型的精度，也可以达到同样的效果。训练和测试精度之间仍然存在巨大差异，因此目前它过度拟合数据。此外，尝试随机化数据并使用它们进行训练，以确保它不是例外情况。

推荐阅读