Keras 使用：加载已经训练好的模型进行预测

最新推荐文章于 2024-04-22 21:23:15 发布
最新推荐文章于 2024-04-22 21:23:15 发布
阅读量4.4w 收藏 95
点赞数 14
分类专栏： Deep Learning 文章标签： keras Deep Learning
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/wardenjohn/article/details/84063284
版权

使用Keras训练好的模型用来直接进行预测，这个时候我们该怎么做呢？【我这里使用的就是一个图片分类网络】

现在让我来说说怎么样使用已经训练好的模型来进行预测判定把

首先，我们已经又有了model模型，这个模型被保存为model.h5文件

然后我们需要在代码里面进行加载

model = load_model("model.h5")

假设我们自己已经写好了一个load_data函数【load_data最好是返回已经通过了把图片转成numpy的data，以及图片对应的label】

然后我们先加载我们的待预测的数据

data, labels = load_data(<the path of the data>)

然后我们就可以通过模型来预测了

predict = model.predict(data)

得到的predict就是预测的结果啦

wardenjohn
关注
  • 14
    点赞
  • 踩
  • 95
    收藏
    觉得还不错? 一键收藏
  • 41
    评论
专栏目录
使用Keras预训练好的模型进行目标类别预测详解
09-16
主要介绍了使用Keras预训练好的模型进行目标类别预测详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Keras 加载已经训练好的模型进行预测操作
12-17
使用Keras训练好的模型用来直接进行预测，这个时候我们该怎么做呢？【我这里使用的就是一个图片分类网络】 现在让我来说说怎么样使用已经训练好的模型来进行预测判定把 首先，我们已经又有了model模型，这个模型被保存为model.h5文件 然后我们需要在代码里面进行加载 model = load_model(“model.h5”) 假设我们自己已经写好了一个load_data函数【load_data最好是返回已经通过了把图片转成numpy的data，以及图片对应的label】 然后我们先加载我们的待预测的数据 data, labels = load_data(<the path of th
Keras中model.predict()与model()的区别
最新发布
shinuone的博客
04-22 1662
keras_model() 将 Keras 模型对象当作函数一样调用，将输入数据作为参数传递给它，从而直接获取预测结果。而predict() 方法是 Keras 模型对象的一个函数，用于进行推理并获取预测结果。
（四）模型训练保存与加载
ZhengrongYue的博客
08-07 2492
（四）模型训练保存与加载
Keras模型的保存、加载与调用预测
qq_40185784的博客
12-15 4852
最近在做时间序列的预测，当训练完模型之后，可以用save进行保存 history = model.fit_generator(train_gen, steps_per_epoch = 200, epochs = 30, validation_data = val_gen,
keras使用已训练好的模型作为其他模型的一个layer
m0_59019651的博客
05-06 979
keras使用已训练好的模型作为其他模型的一个layer
keras预训练模型的加载
qq_41630595的博客
05-08 1270
keras预训练模型
Python量化交易学习笔记（45）——深度学习挖短线股5
码农甲的博客
11-25 6345
前4篇文章分别记录了利用深度学习挖短线股的数据预处理、模型训练、结果预测及策略回测过程，本文记录根据筛选短线股票的过程。 选股流程 1.股票数据下载更新 例如现在是2020年11月23日19:00，我们想找到按深度学习策略，明天应该买什么股票。那么首先将股票日线数据更新至2020年11月23日，日线数据下载可参考笔记（39）。 2.股票扩展数据计算 计算股票的扩展指标，参考笔记（41）第2部分内容。 这里可以做进一步优化，如果每天都进行扩展数据计算，实际只需要对更新的当日数据进行计算，而无需对历史数据进行重
使用Keras训练好的.h5模型来测试一个实例
09-16
5. 运行预测：使用`predict_classes`方法进行预测，它会返回模型预测的类别标签。 补充知识部分提到了如何将Keras模型转换为TensorFlow的`.pb`文件。这是因为有时我们需要将模型部署到TensorFlow Serving或其他生产...
keras预测训练好的模型.rar
05-19
"keras预测训练好的模型.py" 文件很可能包含了加载和使用预训练模型的代码。预训练模型可能是由用户自己训练的，也可能是从Keras模型库或者其他公开资源中获取的，如VGG16、ResNet50等。这些模型通常已经在大型数据...
keras加载已经训练好的模型文件，进行预测时却发现预测结果几乎为同一类（本人预测时几乎均为为第0类）**
qq_33464569的博客
11-04 7862
在进行keras训练时候，使用了keras内置的数据读取方式，但是在进行预测时候，使用了自定义的数据读取方式，本人为图片读取。：本文意在说明 对训练数据和预测数据的读取、预处理方式上应该在某种程度上保持一致，从而避免训练结果和真实预测结果相差过大的情况。注：本文章为原创，欢迎转载，转载请注明出处。
tensorflow.keras 训练模型直接测试结果与导入模型文件测试结果不一致的问题
sifang_baweng的博客
07-22 1218
tensorflow.keras 训练模型直接测试结果与导入模型文件测试结果不一致的问题
keras无法多次调用model.predict
sinat_41462106的博客
12-23 919
在用keras循环预测各个主体时，经常会内存溢出。但是单个主体是没有错误的。发现我在对对象重新赋值后内存并没有释放。随着循环次数增加最后内存溢出的 model = keras.models.load_model('F:/DB1/model/Away10reluBNCNN1D/3468910-1/DB1_s'+ str(j) + '1Seg205m.h5') Y_test = to_categorical(np.array(Y_test)) Y_predi
keras 导入本地图片测试集并预测结果
防搞活机的博客
01-02 2040
需要的库 from keras.preprocessing.image import ImageDataGenerator import tensorflow as tf import numpy as np import os import cv2 from PIL import Image model = tf.keras.models.load_model('sand_model2') #加载已有模型 方法1 （图片较多，按照字典形式存放） ImageDataGenerator方法 data_di
解决Keras回归模型每次预测的结果都一样？
KylinKylin的专栏
10-02 2219
最后一层改为outputs=Dense(1)(seq)，不要加激活函数和其他参数。
model.predict_classes(test) 和model.predict(test) 区别
热门推荐
zds的博客
06-10 6万+
在keras中做深度网络预测时，有这两个预测函数model.predict_classes(test) 和model.predict(test)，本例中是多分类，标签经过了one-hot编码，如[1,2,3,4,5]是标签类别，经编码后为[1 0 0 0 0],[0 1 0 0 0]...[0 0 0 0 1]model.predict_classes(test)预测的是类别，打印出来的值就是类别...
利用keras进行MNIST模型的训练和预测
05-30
好的，我可以帮你回答这个问题。首先，MNIST是一个手写数字的图像数据集，我们可以使用Keras来构建一个神经网络模型，并对这个数据集进行训练和预测。 下面是一个基本的MNIST模型训练和预测的代码示例： ```python # 导入需要的库 import keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import RMSprop # 加载MNIST数据集 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 将数据转换为适当的格式 x_train = x_train.reshape(60000, 784) x_test = x_test.reshape(10000, 784) x_train = x_train.astype('float32') x_test = x_test.astype('float32') x_train /= 255 x_test /= 255 # 将标签转换为独热编码格式 y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10) # 构建神经网络模型 model = Sequential() model.add(Dense(512, activation='relu', input_shape=(784,))) model.add(Dropout(0.2)) model.add(Dense(10, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer=RMSprop(), metrics=['accuracy']) # 训练模型 batch_size = 128 epochs = 20 history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test)) # 对测试集进行预测 score = model.evaluate(x_test, y_test, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` 在上面的代码中，我们首先使用`mnist.load_data()`函数加载MNIST数据集，并对数据进行了预处理。然后，我们构建了一个简单的神经网络模型，包含两个全连接层和一个dropout层。我们使用了RMSprop优化器来训练模型，并在训练过程中记录了模型的准确率和损失值。最后，我们使用`model.evaluate()`函数对测试集进行了预测，并输出了预测的结果。 希望这个例子能够帮助你理解如何使用Keras进行MNIST模型的训练和预测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 41
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
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