Deeva Tutorial de învățare cu Keras pentru a încărca un model instruit cu baza de date MnIST.
Codul complet al acestui post este disponibil în cartea JUPYTER
Introducere
în tutorialul anterior Am instruit o rețea neuronală cu Keras pentru a clasifica baza de date MNIST.
in Acest tutorial vom învăța cum să încărcați un model și să efectuați clasificări fără a fi nevoie să efectuați întregul proces de instruire.
Importul de biblioteci
from keras.models import load_modelimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport mathfrom random import sampleDescărcați baza de date MnIST
Deși modelul este deja instruit, nu stochează setul de date de testare sau de formare, prin urmare, este necesar să se descarce ei din nou.
# Para descargar la base de datos MNISTimport tensorflow as tfold_v = tf.logging.get_verbosity()tf.logging.set_verbosity(tf.logging.ERROR)from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("data/MNIST/", one_hot=True)DATE / MNIST / TRAIN-LA BELS-IDX1-Ubyte.GzexTracting Data / Mnist / T10K-Images-IDX3-Ubyte.Gzextracting Data / MNNT / T10K-etichete-idx1-ubyte.gz
Salvați datele MNNT în diferite variabile
# Guardar las imagenes y etiquetas de entrenoimages_train = mnist.train.imageslabels_train = mnist.train.labels# Guardar las imagenes y etiquetas de testimages_test = mnist.test.imageslabels_test = mnist.test.labelsimg_shape = (28, 28)Importul modelului instruit
Modelul instruit în tutorialul anterior are el a fost numit model.Keras. Este necesar să includeți calea completă a modelului care urmează să fie încărcat corect.
Modelul conține structura rețelei neuronale, setul de matricele de greutate instruite. Apoi, calea este inclusă în model și încărcată.
Dacă nu ați instruit rețeaua neuronală a tutorialului anterior și a salvat modelul, nu este posibil să îl încărcați în acest tutorial.
<
Afișarea structurii modelului
Odată ce modelul este încărcat, este Nu este necesar să se definească toată structura stratului este deja gata să efectueze clasificări.
Rezumatul modelului este prezentat mai jos:
Predicție cu modelul încărcat
y_pred2 = new_model.predict(x=images_test)# Obtencion de las etiquetas predichascls_pred2 = np.argmax(y_pred2,axis=1)Verificare de precizie a modelului manual
Precizie: 0.9771%
Funcția auxiliară Pentru a complot imaginile
Următoarea funcție este utilizată pentru a complota 9 exemple ale bazei de date MNIST și indicați ce este tratat un număr. În cazul în care ați prezis rețeaua se va complica imaginile prevăzute corect cu un cadru verde și conflictul rău cu un dreptunghi roșu.
Afișați câteva exemple prezise
de către Pedro Fernando împrejurimi Perez / GitHub