Keras常见问题汇总

如何引用keras？

如果keras对您的研究有帮助，请在出版物中引用。BibTeX例子如下：

 

@misc{chollet2015keras,
  title={Keras},
  author={Chollet, Fran\c{c}ois and others},
  year={2015},
  publisher={GitHub},
  howpublished={\url{https://github.com/fchollet/keras}},
}

 

如何在GPU上运行keras？

如果运行在TensorFlow后端上，代码会自动运行在检测到的GPU上。

如果运行在Theano后端上，可使用方法有：

1、使用Theano标志

 

THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py

 

'gpu'根据你的设备更改识别（例如gpu0, gpu1等等）

2、设置 .theanorc

3、在代码最前面手动设置theano.config.device，theano.config.floatX

 

1. import theano

2. theano.config.device = 'gpu'

3. theano.config.floatX = 'float32'

 

如何保存Keras模型？

不推荐用pickle或者cPickle来保存Keras模型。

可以使用model.save(filepath)将Keras模型保存到HDF5文件，包含：

-模型结构，可重建模型

-模型权重

-训练设置（损失、优化器）

-优化器状态，可恢复训练

然后使用keras.models.load_model(filepath)重新实例化模型。load_model会使用保存的训练设置重新编译模型。

例如：

 

1. from keras.models import load_model

2.  

3. model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'

4. del model # deletes the existing model

5.  

6. # returns a compiled model

7. # identical to the previous one

8. model = load_model('my_model.h5')

 

如果你只需要保存模型的结构，不需要权重和训练设置，则可以：

 

1. # save as JSON

2. json_string = model.to_json()

3.  

4. # save as YAML

5. yaml_string = model.to_yaml()

生成的JSON/YAML文件具有可读性，如需要可以手工修改。

也可以从这个数据中重新构建新模型：

 

1. # model reconstruction from JSON:

2. from keras.models import model_from_json

3. model = model_from_json(json_string)

4.  

5. # model reconstruction from YAML

6. from keras.models import model_from_yaml

7. model = model_from_yaml(yaml_string)

如果只需要保存模型的权重，可以在HDF5文件中使用以下代码。注意你需要已安装HDF5和h5py。

 

model.save_weights('my_model_weights.h5')

 

假定已实例化模型，然后可以将保存的权重加载到具有相同结构的模型中去

 

model.load_weights('my_model_weights.h5')

 

如果需要将权重加载到不同结构（有一些相同层），例如为细调或者转化学习，可以用层名称载入权重

 

model.load_weights('my_model_weights.h5', by_name=True)

举例如下：

 

1. """

2. Assume original model looks like this:

3. model = Sequential()

4. model.add(Dense(2, input_dim=3, name="dense_1"))

5. model.add(Dense(3, name="dense_2"))

6. ...

7. model.save_weights(fname)

8. """

9.  

10. # new model

11. model = Sequential()

12. model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded

13. model.add(Dense(10, name="new_dense")) # will not be loaded

14.  

15. # load weights from first model; will only affect the first layer, dense_1.

16. model.load_weights(fname, by_name=True)

 

如何获得中间层的输出？

一个简单的方法是构建一个新模型输出你感兴趣的层。

 

1. from keras.models import Model

2.  

3. model = ... # create the original model

4.  

5. layer_name = 'my_layer'

6. intermediate_layer_model = Model(inputs=model.input,

7. outputs=model.get_layer(layer_name).output)

8. intermediate_output = intermediate_layer_model.predict(data)

或者构建一个Keras函数返回给定输入的特定层的输出。

 

1. from keras import backend as K

2.  

3. # with a Sequential model

4. get_3rd_layer_output = K.function([model.layers[0].input],

5. [model.layers[3].output])

6. layer_output = get_3rd_layer_output([X])[0]

 

类似的，可以直接构建Theano和TensorFlow函数。

注意，如果模型在训练和测试阶段表现不同（例如使用Dropout，BatchNormalization等），你需要将训练阶段标志传入函数。

 

1. get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()],

2. [model.layers[3].output])

3.  

4. # output in test mode = 0

5. layer_output = get_3rd_layer_output([X, 0])[0]

6.  

7. # output in train mode = 1

8. layer_output = get_3rd_layer_output([X, 1])[0]

 

数据集大于内存怎么办？

可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)进行批次训练。

或者可以写一个生成器生成训练数据的批次然后使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)

应用可参考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py

如果验证损失不再下降如果打断训练？

可以使用EarlyStopping回调

 

1. from keras.callbacks import EarlyStopping

2. early_stopping = EarlyStopping(monitor='val_loss', patience=2)

3. model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])

验证分割如何计算？

如果你设置model.fit申明validation_split为0.1，那么验证集使用最后10%的数据（如果在提取验证数据前没有将数据打乱）。同一验证集用于所有阶段（在同一fit调用）。

训练时打乱数据吗？

是的，如果model.fit中的shuffle设为True（默认值），训练数据在每个阶段会随机打乱。

如何在每个结算记录训练/验证损失/准确度？

model.fit方法返回一个History回调，有一个history属性包含了连续损失及其他度量的列表。

 

1. hist = model.fit(X, y, validation_split=0.2)

2. print(hist.history)

 

如果冻结Keras的层？

冻结意味着把它排除在训练外，例如权重不会更新。这在细调模型中有用，或者对文本输入使用固定嵌入。

可以传递trainable申明（boolean）到层构建器设定层为non-trainable。

 

frozen_layer = Dense(32, trainable=False)

额外的，可以在实例化后设置一个层的trainable属性为True或者False。需要调用compile()才使其生效。

 

1. x = Input(shape=(32,))

2. layer = Dense(32)

3. layer.trainable = False

4. y = layer(x)

5.  

6. frozen_model = Model(x, y)

7. # in the model below, the weights of `layer` will not be updated during training

8. frozen_model.compile(optimizer='rmsprop', loss='mse')

9.  

10. layer.trainable = True

11. trainable_model = Model(x, y)

12. # with this model the weights of the layer will be updated during training

13. # (which will also affect the above model since it uses the same layer instance)

14. trainable_model.compile(optimizer='rmsprop', loss='mse')

15.  

16. frozen_model.fit(data, labels) # this does NOT update the weights of `layer`

17. trainable_model.fit(data, labels) # this updates the weights of `layer`

如何使用状态RNNs?

 

1. X # this is our input data, of shape (32, 21, 16)

2. # we will feed it to our model in sequences of length 10

3.  

4. model = Sequential()

5. model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True))

6. model.add(Dense(16, activation='softmax'))

7.  

8. model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

9.  

10. # we train the network to predict the 11th timestep given the first 10:

11. model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16)))

12.  

13. # the state of the network has changed. We can feed the follow-up sequences:

14. model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16)))

15.  

16. # let's reset the states of the LSTM layer:

17. model.reset_states()

18.  

19. # another way to do it in this case:

20. model.layers[0].reset_states()

如何在Keras中使用预训练模型？

我们提供以下图像分类模型的代码和预训练权重：

 

• Xception
• VGG16
• VGG19
• ResNet50
• Inception v3

可以使用keras.application模块导入。

 

 

1. from keras.applications.xception import Xception

2. from keras.applications.vgg16 import VGG16

3. from keras.applications.vgg19 import VGG19

4. from keras.applications.resnet50 import ResNet50

5. from keras.applications.inception_v3 import InceptionV3

6.  

7. model = VGG16(weights='imagenet', include_top=True)

 

如何使用HDF5输入？

 

1. import h5py

2. with h5py.File('input/file.hdf5', 'r') as f:

3. X_data = f['X_data']

4. model.predict(X_data)

也可以使用keras.utils.io_utils中的HDF5Matrix类。

Keras设置文件储存在哪里？

默认的文件夹在$HOME/.keras/

如果因为没有权限创建上述文件夹，则可能在/tmp/.keras/

如何引用keras？

如果keras对您的研究有帮助，请在出版物中引用。BibTeX例子如下：

 

@misc{chollet2015keras,
  title={Keras},
  author={Chollet, Fran\c{c}ois and others},
  year={2015},
  publisher={GitHub},
  howpublished={\url{https://github.com/fchollet/keras}},
}

 

如何在GPU上运行keras？

如果运行在TensorFlow后端上，代码会自动运行在检测到的GPU上。

如果运行在Theano后端上，可使用方法有：

1、使用Theano标志

 

THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py

 

'gpu'根据你的设备更改识别（例如gpu0, gpu1等等）

2、设置 .theanorc

3、在代码最前面手动设置theano.config.device，theano.config.floatX

 

1. import theano

2. theano.config.device = 'gpu'

3. theano.config.floatX = 'float32'

 

如何保存Keras模型？

不推荐用pickle或者cPickle来保存Keras模型。

可以使用model.save(filepath)将Keras模型保存到HDF5文件，包含：

-模型结构，可重建模型

-模型权重

-训练设置（损失、优化器）

-优化器状态，可恢复训练

然后使用keras.models.load_model(filepath)重新实例化模型。load_model会使用保存的训练设置重新编译模型。

例如：

 

1. from keras.models import load_model

2.  

3. model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'

4. del model # deletes the existing model

5.  

6. # returns a compiled model

7. # identical to the previous one

8. model = load_model('my_model.h5')

 

如果你只需要保存模型的结构，不需要权重和训练设置，则可以：

 

1. # save as JSON

2. json_string = model.to_json()

3.  

4. # save as YAML

5. yaml_string = model.to_yaml()

生成的JSON/YAML文件具有可读性，如需要可以手工修改。

也可以从这个数据中重新构建新模型：

 

1. # model reconstruction from JSON:

2. from keras.models import model_from_json

3. model = model_from_json(json_string)

4.  

5. # model reconstruction from YAML

6. from keras.models import model_from_yaml

7. model = model_from_yaml(yaml_string)

如果只需要保存模型的权重，可以在HDF5文件中使用以下代码。注意你需要已安装HDF5和h5py。

 

model.save_weights('my_model_weights.h5')

 

假定已实例化模型，然后可以将保存的权重加载到具有相同结构的模型中去

 

model.load_weights('my_model_weights.h5')

 

如果需要将权重加载到不同结构（有一些相同层），例如为细调或者转化学习，可以用层名称载入权重

 

model.load_weights('my_model_weights.h5', by_name=True)

举例如下：

 

1. """

2. Assume original model looks like this:

3. model = Sequential()

4. model.add(Dense(2, input_dim=3, name="dense_1"))

5. model.add(Dense(3, name="dense_2"))

6. ...

7. model.save_weights(fname)

8. """

9.  

10. # new model

11. model = Sequential()

12. model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded

13. model.add(Dense(10, name="new_dense")) # will not be loaded

14.  

15. # load weights from first model; will only affect the first layer, dense_1.

16. model.load_weights(fname, by_name=True)

 

如何获得中间层的输出？

一个简单的方法是构建一个新模型输出你感兴趣的层。

 

1. from keras.models import Model

2.  

3. model = ... # create the original model

4.  

5. layer_name = 'my_layer'

6. intermediate_layer_model = Model(inputs=model.input,

7. outputs=model.get_layer(layer_name).output)

8. intermediate_output = intermediate_layer_model.predict(data)

或者构建一个Keras函数返回给定输入的特定层的输出。

 

1. from keras import backend as K

2.  

3. # with a Sequential model

4. get_3rd_layer_output = K.function([model.layers[0].input],

5. [model.layers[3].output])

6. layer_output = get_3rd_layer_output([X])[0]

 

类似的，可以直接构建Theano和TensorFlow函数。

注意，如果模型在训练和测试阶段表现不同（例如使用Dropout，BatchNormalization等），你需要将训练阶段标志传入函数。

 

1. get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()],

2. [model.layers[3].output])

3.  

4. # output in test mode = 0

5. layer_output = get_3rd_layer_output([X, 0])[0]

6.  

7. # output in train mode = 1

8. layer_output = get_3rd_layer_output([X, 1])[0]

 

数据集大于内存怎么办？

可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)进行批次训练。

或者可以写一个生成器生成训练数据的批次然后使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)

应用可参考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py

如果验证损失不再下降如果打断训练？

可以使用EarlyStopping回调

 

1. from keras.callbacks import EarlyStopping

2. early_stopping = EarlyStopping(monitor='val_loss', patience=2)

3. model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])

验证分割如何计算？

如果你设置model.fit申明validation_split为0.1，那么验证集使用最后10%的数据（如果在提取验证数据前没有将数据打乱）。同一验证集用于所有阶段（在同一fit调用）。

训练时打乱数据吗？

是的，如果model.fit中的shuffle设为True（默认值），训练数据在每个阶段会随机打乱。

如何在每个结算记录训练/验证损失/准确度？

model.fit方法返回一个History回调，有一个history属性包含了连续损失及其他度量的列表。

 

1. hist = model.fit(X, y, validation_split=0.2)

2. print(hist.history)

 

如果冻结Keras的层？

冻结意味着把它排除在训练外，例如权重不会更新。这在细调模型中有用，或者对文本输入使用固定嵌入。

可以传递trainable申明（boolean）到层构建器设定层为non-trainable。

 

frozen_layer = Dense(32, trainable=False)

额外的，可以在实例化后设置一个层的trainable属性为True或者False。需要调用compile()才使其生效。

 

1. x = Input(shape=(32,))

2. layer = Dense(32)

3. layer.trainable = False

4. y = layer(x)

5.  

6. frozen_model = Model(x, y)

7. # in the model below, the weights of `layer` will not be updated during training

8. frozen_model.compile(optimizer='rmsprop', loss='mse')

9.  

10. layer.trainable = True

11. trainable_model = Model(x, y)

12. # with this model the weights of the layer will be updated during training

13. # (which will also affect the above model since it uses the same layer instance)

14. trainable_model.compile(optimizer='rmsprop', loss='mse')

15.  

16. frozen_model.fit(data, labels) # this does NOT update the weights of `layer`

17. trainable_model.fit(data, labels) # this updates the weights of `layer`

如何使用状态RNNs?

 

1. X # this is our input data, of shape (32, 21, 16)

2. # we will feed it to our model in sequences of length 10

3.  

4. model = Sequential()

5. model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True))

6. model.add(Dense(16, activation='softmax'))

7.  

8. model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

9.  

10. # we train the network to predict the 11th timestep given the first 10:

11. model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16)))

12.  

13. # the state of the network has changed. We can feed the follow-up sequences:

14. model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16)))

15.  

16. # let's reset the states of the LSTM layer:

17. model.reset_states()

18.  

19. # another way to do it in this case:

20. model.layers[0].reset_states()

如何在Keras中使用预训练模型？

我们提供以下图像分类模型的代码和预训练权重：

 

• Xception
• VGG16
• VGG19
• ResNet50
• Inception v3

可以使用keras.application模块导入。

 

 

1. from keras.applications.xception import Xception

2. from keras.applications.vgg16 import VGG16

3. from keras.applications.vgg19 import VGG19

4. from keras.applications.resnet50 import ResNet50

5. from keras.applications.inception_v3 import InceptionV3

6.  

7. model = VGG16(weights='imagenet', include_top=True)

 

如何使用HDF5输入？

 

1. import h5py

2. with h5py.File('input/file.hdf5', 'r') as f:

3. X_data = f['X_data']

4. model.predict(X_data)

也可以使用keras.utils.io_utils中的HDF5Matrix类。

Keras设置文件储存在哪里？

默认的文件夹在$HOME/.keras/

如果因为没有权限创建上述文件夹，则可能在/tmp/.keras/

如何引用keras？

如果keras对您的研究有帮助，请在出版物中引用。BibTeX例子如下：

 

@misc{chollet2015keras,
  title={Keras},
  author={Chollet, Fran\c{c}ois and others},
  year={2015},
  publisher={GitHub},
  howpublished={\url{https://github.com/fchollet/keras}},
}

 

如何在GPU上运行keras？

如果运行在TensorFlow后端上，代码会自动运行在检测到的GPU上。

如果运行在Theano后端上，可使用方法有：

1、使用Theano标志

 

THEANO_FLAGS=device=gpu,floatX=float32 python my_keras_script.py

 

'gpu'根据你的设备更改识别（例如gpu0, gpu1等等）

2、设置 .theanorc

3、在代码最前面手动设置theano.config.device，theano.config.floatX

 

1. import theano

2. theano.config.device = 'gpu'

3. theano.config.floatX = 'float32'

 

如何保存Keras模型？

不推荐用pickle或者cPickle来保存Keras模型。

可以使用model.save(filepath)将Keras模型保存到HDF5文件，包含：

-模型结构，可重建模型

-模型权重

-训练设置（损失、优化器）

-优化器状态，可恢复训练

然后使用keras.models.load_model(filepath)重新实例化模型。load_model会使用保存的训练设置重新编译模型。

例如：

 

1. from keras.models import load_model

2.  

3. model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'

4. del model # deletes the existing model

5.  

6. # returns a compiled model

7. # identical to the previous one

8. model = load_model('my_model.h5')

 

如果你只需要保存模型的结构，不需要权重和训练设置，则可以：

 

1. # save as JSON

2. json_string = model.to_json()

3.  

4. # save as YAML

5. yaml_string = model.to_yaml()

生成的JSON/YAML文件具有可读性，如需要可以手工修改。

也可以从这个数据中重新构建新模型：

 

1. # model reconstruction from JSON:

2. from keras.models import model_from_json

3. model = model_from_json(json_string)

4.  

5. # model reconstruction from YAML

6. from keras.models import model_from_yaml

7. model = model_from_yaml(yaml_string)

如果只需要保存模型的权重，可以在HDF5文件中使用以下代码。注意你需要已安装HDF5和h5py。

 

model.save_weights('my_model_weights.h5')

 

假定已实例化模型，然后可以将保存的权重加载到具有相同结构的模型中去

 

model.load_weights('my_model_weights.h5')

 

如果需要将权重加载到不同结构（有一些相同层），例如为细调或者转化学习，可以用层名称载入权重

 

model.load_weights('my_model_weights.h5', by_name=True)

举例如下：

 

1. """

2. Assume original model looks like this:

3. model = Sequential()

4. model.add(Dense(2, input_dim=3, name="dense_1"))

5. model.add(Dense(3, name="dense_2"))

6. ...

7. model.save_weights(fname)

8. """

9.  

10. # new model

11. model = Sequential()

12. model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded

13. model.add(Dense(10, name="new_dense")) # will not be loaded

14.  

15. # load weights from first model; will only affect the first layer, dense_1.

16. model.load_weights(fname, by_name=True)

 

如何获得中间层的输出？

一个简单的方法是构建一个新模型输出你感兴趣的层。

 

1. from keras.models import Model

2.  

3. model = ... # create the original model

4.  

5. layer_name = 'my_layer'

6. intermediate_layer_model = Model(inputs=model.input,

7. outputs=model.get_layer(layer_name).output)

8. intermediate_output = intermediate_layer_model.predict(data)

或者构建一个Keras函数返回给定输入的特定层的输出。

 

1. from keras import backend as K

2.  

3. # with a Sequential model

4. get_3rd_layer_output = K.function([model.layers[0].input],

5. [model.layers[3].output])

6. layer_output = get_3rd_layer_output([X])[0]

 

类似的，可以直接构建Theano和TensorFlow函数。

注意，如果模型在训练和测试阶段表现不同（例如使用Dropout，BatchNormalization等），你需要将训练阶段标志传入函数。

 

1. get_3rd_layer_output = K.function([model.layers[0].input, K.learning_phase()],

2. [model.layers[3].output])

3.  

4. # output in test mode = 0

5. layer_output = get_3rd_layer_output([X, 0])[0]

6.  

7. # output in train mode = 1

8. layer_output = get_3rd_layer_output([X, 1])[0]

 

数据集大于内存怎么办？

可以用model.train_on_batch(X, y)和model.test_on_batch(X, y)进行批次训练。

或者可以写一个生成器生成训练数据的批次然后使用方法model.fit_generator(data_generator, steps_per_epoch, epochs)

应用可参考https://github.com/fchollet/keras/blob/master/examples/cifar10_cnn.py

如果验证损失不再下降如果打断训练？

可以使用EarlyStopping回调

 

1. from keras.callbacks import EarlyStopping

2. early_stopping = EarlyStopping(monitor='val_loss', patience=2)

3. model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])

验证分割如何计算？

如果你设置model.fit申明validation_split为0.1，那么验证集使用最后10%的数据（如果在提取验证数据前没有将数据打乱）。同一验证集用于所有阶段（在同一fit调用）。

训练时打乱数据吗？

是的，如果model.fit中的shuffle设为True（默认值），训练数据在每个阶段会随机打乱。

如何在每个结算记录训练/验证损失/准确度？

model.fit方法返回一个History回调，有一个history属性包含了连续损失及其他度量的列表。

 

1. hist = model.fit(X, y, validation_split=0.2)

2. print(hist.history)

 

如果冻结Keras的层？

冻结意味着把它排除在训练外，例如权重不会更新。这在细调模型中有用，或者对文本输入使用固定嵌入。

可以传递trainable申明（boolean）到层构建器设定层为non-trainable。

 

frozen_layer = Dense(32, trainable=False)

额外的，可以在实例化后设置一个层的trainable属性为True或者False。需要调用compile()才使其生效。

 

1. x = Input(shape=(32,))

2. layer = Dense(32)

3. layer.trainable = False

4. y = layer(x)

5.  

6. frozen_model = Model(x, y)

7. # in the model below, the weights of `layer` will not be updated during training

8. frozen_model.compile(optimizer='rmsprop', loss='mse')

9.  

10. layer.trainable = True

11. trainable_model = Model(x, y)

12. # with this model the weights of the layer will be updated during training

13. # (which will also affect the above model since it uses the same layer instance)

14. trainable_model.compile(optimizer='rmsprop', loss='mse')

15.  

16. frozen_model.fit(data, labels) # this does NOT update the weights of `layer`

17. trainable_model.fit(data, labels) # this updates the weights of `layer`

如何使用状态RNNs?

 

1. X # this is our input data, of shape (32, 21, 16)

2. # we will feed it to our model in sequences of length 10

3.  

4. model = Sequential()

5. model.add(LSTM(32, input_shape=(10, 16), batch_size=32, stateful=True))

6. model.add(Dense(16, activation='softmax'))

7.  

8. model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

9.  

10. # we train the network to predict the 11th timestep given the first 10:

11. model.train_on_batch(X[:, :10, :], np.reshape(X[:, 10, :], (32, 16)))

12.  

13. # the state of the network has changed. We can feed the follow-up sequences:

14. model.train_on_batch(X[:, 10:20, :], np.reshape(X[:, 20, :], (32, 16)))

15.  

16. # let's reset the states of the LSTM layer:

17. model.reset_states()

18.  

19. # another way to do it in this case:

20. model.layers[0].reset_states()

如何在Keras中使用预训练模型？

我们提供以下图像分类模型的代码和预训练权重：

 

• Xception
• VGG16
• VGG19
• ResNet50
• Inception v3

可以使用keras.application模块导入。

 

 

1. from keras.applications.xception import Xception

2. from keras.applications.vgg16 import VGG16

3. from keras.applications.vgg19 import VGG19

4. from keras.applications.resnet50 import ResNet50

5. from keras.applications.inception_v3 import InceptionV3

6.  

7. model = VGG16(weights='imagenet', include_top=True)

 

如何使用HDF5输入？

 

1. import h5py

2. with h5py.File('input/file.hdf5', 'r') as f:

3. X_data = f['X_data']

4. model.predict(X_data)

也可以使用keras.utils.io_utils中的HDF5Matrix类。

Keras设置文件储存在哪里？

默认的文件夹在$HOME/.keras/

如果因为没有权限创建上述文件夹，则可能在/tmp/.keras/