Didacticiel d’apprentissage profond avec Keras pour charger un modèle dressé avec la base de données MNIST.
Le code intégral de cet article est disponible dans Jupyter Book
Introduction
Dans le tutoriel précédent, nous avons formé un réseau neuronal avec Keras pour classer la base de données de mnist. Ce tutoriel Nous apprendrons comment charger un modèle et effectuer des classifications sans avoir à exécuter tout le processus de formation.
Importation de bibliothèques
Télécharger la base de données MNIST
Bien que le modèle soit déjà formé, ne stocke pas le jeu de données de test ni la formation, il est donc nécessaire de télécharger Là encore.
Extraction de données / mnist / train -Images-idx3-ubyte.gzextraction Données / MNIST / TRAIN-LA Bels-IDX1-UBYTE.GZEXTRACTION DATA / MNIST / T10K-IMAGE-IDX3-UBYTE.GZEXTRACTION DATA / MNNT / T10K-LABELS-IDX1-UBYTE.GZ
Enregistrez les données MNNT dans différentes variables
Importation de modèle formé
Le modèle formé dans le tutoriel précédent a-t-il a été nommé modèle.keras. Il est nécessaire d’inclure la route complète vers le modèle à charger correctement.
Le modèle contient la structure du réseau neuronal, l’ensemble de matrices de poids entraînées. Ensuite, le chemin est inclus dans le modèle et chargé.
Si vous n’avez pas formé le réseau neuronal du tutoriel précédent et enregistré le modèle, il n’est pas possible de le charger dans ce tutoriel.
affichage de la structure du modèle
Une fois le modèle chargé, il est Pas nécessaire de définir toute la structure de la couche est déjà prête à effectuer des classifications.
Le résumé du modèle est présenté ci-dessous:
prédiction avec le modèle chargé
Vérification de précision du modèle manuellement
précision: 0.9771%
Fonction auxiliaire Pour tracer des images
La fonction suivante est utilisée pour parcourir 9 exemples de la base de données de mnist et indiquer ce qu’est un numéro traité. Dans le cas de ce que vous avez prédit, le réseau tracera les images prédites correctement avec un cadre vert et la mauvaise prédicade avec un rectangle rouge.
montrer des exemples prévus
par Pedro Fernando Environnement Perez / GitHub