Keras, jak przewidzieć po wytrenowaniu modelu?

Gram z zestawem danych przykład firmy Reuters i działa dobrze (mój model jest wytrenowany). Czytałem o tym, jak zapisać model, aby móc go później załadować i użyć ponownie. Ale jak użyć tego zapisanego modelu do przewidywania nowego tekstu? Czy używam models.predict()?

Czy muszę specjalnie przygotować ten tekst?

Próbowałem tego z

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)

Ale zawsze rozumiem

(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'

Czy masz jakieś zalecenia, jak tworzyć prognozy za pomocą wytrenowanego modelu?

model.predict()oczekuje, że pierwszy parametr będzie tablicą numpy. shapePodajesz listę, która nie ma atrybutu, jaki ma tablica numpy.

W przeciwnym razie twój kod wygląda dobrze, z wyjątkiem tego, że nic nie robisz z prognozą. Upewnij się, że przechowujesz go w zmiennej, na przykład w ten sposób:

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

model.predict_classes(<numpy_array>)

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

Musisz użyć tego samego Tokenizera, którego użyłeś do zbudowania swojego modelu!

W przeciwnym razie każdemu słowu da inny wektor.

Następnie używam:

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

model.predict(np.array(tokens))

Wyszkoliłem sieć neuronową w Keras, aby przeprowadzała nieliniową regresję niektórych danych. To jest część mojego kodu do testowania na nowych danych przy użyciu wcześniej zapisanej konfiguracji modelu i wag.

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)

Możesz po prostu „nazwać” swój model tablicą o odpowiednim kształcie:

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

Pełny przykład:

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]])>