keras训练完以后怎么预测_TensorFlow 1.4利用Keras+Estimator API进行训练和预测

Tensorflow 1.4中，Keras作为作为核心模块可以直接通过tf.keas进行调用，但是考虑到keras对tfrecords文件进行操作比较麻烦，而将keras模型转成tensorflow中的另一个高级API -- Estimator模型，然后就可以调用Dataset API进行对tfrecords进行操作用来训练/评估模型。而keras本身也用到了Estimator API并且提供了tf.keras.estimator.model_to_estimator函数将keras模型可以很方便的转换成Estimator模型，因此用Keras API搭建模型框架然后用Dataset API操作IO，然后用Estimator训练模型是一套比较方便高效的操作流程。

注：

tf.keras.estimator.model_to_estimator这个函数只在tf.keras下面有在原生的keras中是没有这个函数的。

Estimator训练的模型类型主要有regressor和classifier两类，如果需要用自定义的模型类型，可以通过自定有model_fn来构建，具体操作可以查看这里

Estimator模型可以通过export_savedmodel()函数输出训练好的estimator模型，然后可以把模型创建服务接受输入数据并输出结果，这在大规模云端部署的时候会非常有用(具体操作流程可以看这里)。

1. 利用Keras搭建模型框架并转换成estimator模型

比如我们利用keras的ResNet50构建二分类模型:

import tensorflow as tf

import os

resnet = tf.keras.applications.resnet50

def my_model_fn():

base_model = resnet.ResNet50(include_top=True, # include fully layers or not

weights='imagenet', # pre-trained weights

input_shape=(224, 224, 3), # default input shape

classes=2)

base_model.summary()

optimizer = tf.keras.optimizers.RMSprop(lr=2e-3,

d