十六、保存和加载自己所搭建的网络模型

最新推荐文章于 2024-05-17 14:17:54 发布
最新推荐文章于 2024-05-17 14:17:54 发布
阅读量434 收藏 2
点赞数
分类专栏： # PyTorch小笔记——已完结 文章标签： 网络 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41264055/article/details/126465871
版权

一、保存自己搭建的模型方法一

例如：基于VGG16网络模型架构的基础上加上了一层线性层，最后的输出为10类
torch.save(obj=module,f="path")，传入需要保存的模型名称以及要保存的路径位置
保存模型结构和模型的参数，保存文件较大

import torch
import torchvision
from torch import nn

vgg_16 = torchvision.models.vgg16(pretrained=False)

#基于VGG16网络模型架构的基础上加上了一层线性层，最后的输出为10类
vgg_16.classifier.add_module(name="new_7",module=nn.Linear(in_features=1000,out_features=10))
print(vgg_16)
"""
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
    (new_7): Linear(in_features=1000, out_features=10, bias=True)
  )
)
"""

torch.save(obj=vgg_16,f="VGG16_1.pth")

在这里插入图片描述

二、加载自己搭建的模型方法一

torch.load(f="VGG16_1.pth")传入模型保存的路径

import torch

vgg16_1 = torch.load(f="VGG16_1.pth")
print(vgg16_1)
"""
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
    (new_7): Linear(in_features=1000, out_features=10, bias=True)
  )
)
"""

注意：若使用的是自己所编写的框架，使用方法一保存之后，再使用方法一加载的时候需要把模型框架的class文件也得导入一下要不然会保存，之所以导入模型的class，是为了加载模型的时候进行校验
例如：from 模型框架class所在文件名 import *
from mymodule import *

三、保存自己搭建的模型方法二

torch.save(vgg_16.state_dict(),"VGG16_2.pth")将网络模型保存成字典形式，保存模型参数，官方推荐的方式

保存VGG-16网络框架

import torch
import torchvision
from torch import nn

vgg_16 = torchvision.models.vgg16(pretrained=False)
print(vgg_16)
"""
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)
"""

torch.save(vgg_16.state_dict(),"VGG16_2.pth")

在这里插入图片描述

四、加载自己搭建的模型方法二

加载保存的VGG-16网络框架

import torch
import torchvision


vgg16 = torchvision.models.vgg16(pretrained=False)
vgg16.load_state_dict(torch.load("VGG16_2.pth"))
print(vgg16)
"""
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)
"""
beyond谚语
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
pytorch学习笔记(七)---网络模型的使用修改、保存以及加载
qq_41858089的博客
11-30 1544
本篇自学笔记来自于b站《PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】》，Up主讲的非常通俗易懂，文章下方有视频连接，如有需要可移步up主讲解视频，如有侵权，实非故意，深表歉意，请与我联系，删除相关内容！ 本节将介绍的内容有：1.使用torchvison中定义好的模型 ，2.如何修改定义好的模型，3.保存模型的方式和对应的加载模型的方式。 1.使用定义好的模型（以VGG16为例） 给出官方解释：如图可以看到有两个字段，分...
keras训练浅层卷积网络并保存和加载模型实例
09-16
总的来说，这个例子展示了如何用Keras搭建、训练、评估以及保存和加载一个简单的全连接网络模型。对于初学者，这是一个很好的起点，理解深度学习模型的基本流程。同时，这个例子也可以作为进一步研究卷积神经网络...
保存、加载网络模型
weixin_47032489的博客
01-17 103
# save torch.save(model.state_dict(), PATH) # load model = MyModel(*args, **kwargs) model.load_state_dict(torch.load(PATH)) model.eval()
网络模型的保存与读取
红凯的博客
05-23 341
网络模型的保存与读取主要是有两种方式 一：保存网络模型的结构 二：获取网络模型的状态并将其网络模型中的参数保存为字典 方式一： 保存模型： import torch import torchvision #使用原始数据 vgg16 = torchvision.models.vgg16(pretrained=False) #保存方式1 #保存网络模型的结构 #模型结构 + 模型参数 torch.save(vgg16, "vgg16_method1.pth") 加载模型： import torch #保
【Pytorch】12.网络模型的加载、修改与保存
最新发布
Elephant_King的博客
05-17 374
首先我们先自定义网络结构，并保存为.pth文件return x# 保存自定义网络这里需要注意，我们在新的文件加载这个网络模型时，不能直接通过进行加载，而是要先引入我们网络模型的类return x# 注意无法直接通过这条语句导入,需要先引入网络定义或者通过来导入我们的类信息# 注意无法直接通过这条语句导入,需要先引入网络定义。
Pytorch搭建自己的模型
热门推荐
hirezy
11-23 1万+
前言 PyTorch、TensorFlow都是主流的深度学习框架，今天主要讲解一下如何快速使用pytorch搭建自己的模型。至于为什么选择讲解pytorch，这里我就简单说明一下自己的使用感受（相对TensorFlow来说），也就是pytorch对比TensorFlow有哪些区别。 二者区别 pytorch是一个动态的框架，而TensorFlow是一个静态的框 何为静态的框架呢？我们知道，TensorFlow的特性是，首先我们需要先构建一个TensorFlow的计算图，构建好计算图之后，这样一个计算
课程设计-基于Keras搭建一个简单的卷积神经网络CNN，用猫狗数据集和花卉数据集对CNN进行训练，完成模型的保存加载和识别
06-07
基于Keras搭建一个简单的卷积神经网络CNN，用猫狗数据集和花卉数据集对CNN进行训练，完成模型的保存和加载和识别测试。 环境： CUDA：11.6.134 cuDNN：8.4.0 keras：2.9.0 tensorflow：2.9.1 注意： 项目内目录中...
基于Keras搭建一个简单的卷积神经网络CNN，用猫狗数据集和花卉数据集对CNN进行训练，完成模型的保存和加载和识别.zip
02-19
对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。 【沟通交流】： 有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 鼓励下载和使用，并欢迎大家互相学习，共同...
搭建自己的网络模型.zip
06-06
在这个"搭建自己的网络模型.zip"压缩包中，我们可以看到三个关键文件：train_123.py、modules_123.py、dataset_123.py，它们分别对应于网络模型训练、模块定义和数据集处理的核心部分。 1. **train_123.py**：这是...
PyTorch快速搭建神经网络及其保存提取方法详解
09-20
本文将详细介绍如何使用PyTorch快速搭建神经网络，并且深入讨论如何保存和提取神经网络模型，使其能够被再次加载和使用。 首先，了解如何使用PyTorch快速搭建神经网络。PyTorch框架允许用户通过两种主要方式来定义...
C++从零实现深度神经网络之五——模型的保存和加载以及画出实时输出曲线
星沉阁
12-17 7294
本文由@星沉阁冰不语出品，转载请注明作者和出处。文章链接：http://blog.csdn.net/xingchenbingbuyu/article/details/53700027微博：http://weibo.com/xingchenbing 一、模型的保存和加载在我们完成对神经网络的训练之后，一般要把模型保存起来。不然每次使用模型之前都需要先训练模型，对于data hungry的神经网络来说
【程序】加载网络模型：1. 模型必须和网络完全匹配 2. 模型中的每一个模块的参数可以随意替换
nyist_yangguang的博客
07-27 164
# -*- coding: utf-8 -*- """ @Time : 2020/08/12 18:30 @Author : Bryce @File : train.py @Noice : @Modificattion : @Author : @Time : @Detail : """ import warnings import os import numpy as np import ...
自定义模型如何保存和加载
weixin_44871341的博客
05-31 683
保存模型 三种方法： save/load weights save/load entire model saved_model 最常用的方式 save/load weights 此方式多用在当自己自定义模型时。 具体用法为： 保存模型的参数（可以随意指定保存的路径） model.sava_weights(".\chekpoints\my_checkpoint") 加载模型的参数（按照自己保存的路径加载） model.load_weights(".\chekpoints\my_checkpoin
模型的加载与使用
Starry-SkyJing的博客
04-02 909
Tensorflow同时加载使用多个模型 在Tensorflow中，所有操作对象都包装到相应的Session中的，所以想要使用不同的模型就需要将这些模型加载到不同的Session中并在使用的时候申明是哪个Session，从而避免由于Session和想使用的模型不匹配导致的错误。而使用多个graph，就需要为每个graph使用不同的Session，但是每个graph也可以在多个Session中使用，...
pytorch简单的网络搭建、保存、加载
weixin_43794311的博客
05-21 279
网络的搭建 参考代码：https://www.cnblogs.com/kiwiwk/p/11711671.html 网络的训练框架如下图：（注意：未显示激励函数，中间层中的节点有10个，不是10个中间层） import torch import torch.nn as nn import numpy as np # 构建输入集 x = np.mat('0 0;' '0 1;' '1 0;' '1 1') x = torch.tensor
pytorch-模型保存与加载自己训练的模型详解
KaelCui的博客
10-31 686
参考
利用现有网络改进新网络，模型保存加载
laner__gg的博客
07-24 125
1、修改现有网络模型 vgg16 = torchvision.models.vgg16(pretrained = True) train_data = torchvision.datasets.CIFAR10('../data', train = True, transform = torchvision.transforms.ToTensor(),download = True) # 在现有网络加个线性层 vgg16.add_module('add_linear', nn.Linear(1000,
模型的保存与加载（pytorch）
ggj0727的博客
08-06 543
（联邦学习笔记） 对于我们自定义的或者对于现存的模型进行修改后，我们可能要在别的地方进行调用，这时候需要先将它进行保存以便后续调用。 模型保存 对于模型的保存有两种方式，一种是同时保存模型结构和模型参数；另一种是仅保存模型参数（官方推荐） 保存方式一（保存模型结构和模型参数）: torch.save(vgg16,"vgg16_methond1.pth") 其中vgg16是模型，vgg16_methond1.pth是保存的名称 保存方式二（仅保存模型参数）： torch.save(vgg1
【pytorch】现有网络模型的使用和修改、保存和加载
verse_armour的博客
09-03 705
神经网络模型的使用和修改、保存和加载
k210自己搭建神经网络模型
03-28
1. 安装K210 SDK 首先需要下载K210 SDK，官方提供了两种方式下载： （1）从Github上下载：https://github.com/kendryte/kendryte-standalone-sdk （2）从Gitee上下载：https://gitee.com/kendryte/kendryte-standalone-sdk 下载完成后，解压缩到本地目录。 2. 安装Python环境 在K210 SDK中，提供了Python接口，因此需要安装Python环境。可以从Python官网下载安装包进行安装。 3. 安装Keras和TensorFlow Keras是一个高级的神经网络API，基于TensorFlow框架实现。因此，需要安装Keras和TensorFlow。 在命令行中输入以下指令： ``` pip install keras pip install tensorflow ``` 4. 编写神经网络模型 在本地目录中，创建一个新的Python文件，命名为“model.py”。在该文件中，编写神经网络模型。 例如，可以编写一个基于卷积神经网络的模型： ``` from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(Flatten()) model.add(Dense(64, activation='relu')) model.add(Dense(10, activation='softmax')) model.summary() ``` 该模型包括三个卷积层、两个池化层和两个全连接层。 5. 训练神经网络模型 在本地目录中，创建一个新的Python文件，命名为“train.py”。在该文件中，读取数据集、编译模型、训练模型。 例如，可以编写以下代码： ``` from keras.datasets import mnist from keras.utils import to_categorical from model import * (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)) test_images = test_images.astype('float32') / 255 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=5, batch_size=64) test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ``` 该代码中，从Keras下载MNIST数据集，将数据集分为训练集和测试集，对数据进行预处理，编译模型，训练模型，评估模型。 6. 导出模型 在训练完成后，可以将模型导出到K210 SDK中。在“train.py”文件中，添加以下代码： ``` model.save('model.h5') ``` 该代码将训练好的模型保存为“model.h5”文件。 7. 在K210 SDK中加载模型 在K210 SDK中，可以使用MaixPy脚本加载模型进行推理。例如，可以编写以下代码： ``` import sensor import image import lcd import KPU as kpu lcd.init() sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) task = kpu.load(0x300000) kpu.set_outputs(task, 0, 1, 1, 10) while True: img = sensor.snapshot() img = img.resize(28, 28) img = img.to_grayscale() img = img.strech_char(1, 99) img = img.invert() img = img.to_bytes() out = kpu.forward(task, img) print(out) ``` 该代码中，使用MaixPy库从摄像头中读取图像，对图像进行预处理，使用KPU库加载模型，将图像输入模型进行推理，输出结果。 8. 运行代码 在K210 SDK中，编译并下载代码。将K210开发板连接到计算机，打开串口监视器，运行代码。当摄像头中出现手写数字时，将进行推理并输出结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

beyond谚语

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值