Keras ฉันจะคาดเดาได้อย่างไรหลังจากที่ฉันฝึกโมเดล

ฉันกำลังเล่นกับชุดข้อมูลตัวอย่างของรอยเตอร์และทำงานได้ดี (โมเดลของฉันได้รับการฝึกฝน) ฉันอ่านเกี่ยวกับวิธีบันทึกโมเดลดังนั้นฉันจึงสามารถโหลดได้ในภายหลังเพื่อใช้อีกครั้ง แต่ฉันจะใช้แบบจำลองที่บันทึกไว้นี้เพื่อคาดเดาข้อความใหม่ได้อย่างไร ฉันใช้models.predict()?

ฉันต้องเตรียมข้อความนี้ด้วยวิธีพิเศษหรือไม่?

ฉันลองใช้กับ

import keras.preprocessing.text

text = np.array(['this is just some random, stupid text'])
print(text.shape)

tk = keras.preprocessing.text.Tokenizer(
        nb_words=2000,
        filters=keras.preprocessing.text.base_filter(),
        lower=True,
        split=" ")

tk.fit_on_texts(text)
pred = tk.texts_to_sequences(text)
print(pred)

model.predict(pred)

แต่ฉันมักจะได้รับ

(1L,)
[[2, 4, 1, 6, 5, 7, 3]]
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-83-42d744d811fb> in <module>()
      7 print(pred)
      8 
----> 9 model.predict(pred)

C:\Users\bkey\Anaconda2\lib\site-packages\keras\models.pyc in predict(self, x, batch_size, verbose)
    457         if self.model is None:
    458             self.build()
--> 459         return self.model.predict(x, batch_size=batch_size, verbose=verbose)
    460 
    461     def predict_on_batch(self, x):

C:\Users\bkey\Anaconda2\lib\site-packages\keras\engine\training.pyc in predict(self, x, batch_size, verbose)
   1132         x = standardize_input_data(x, self.input_names,
   1133                                    self.internal_input_shapes,
-> 1134                                    check_batch_dim=False)
   1135         if self.stateful:
   1136             if x[0].shape[0] > batch_size and x[0].shape[0] % batch_size != 0:

C:\Users\bkey\Anaconda2\lib\site-packages\keras\engine\training.pyc in standardize_input_data(data, names, shapes, check_batch_dim, exception_prefix)
     79     for i in range(len(names)):
     80         array = arrays[i]
---> 81         if len(array.shape) == 1:
     82             array = np.expand_dims(array, 1)
     83             arrays[i] = array

AttributeError: 'list' object has no attribute 'shape'

คุณมีคำแนะนำเกี่ยวกับวิธีการคาดการณ์ด้วยแบบจำลองที่ผ่านการฝึกอบรมหรือไม่?

model.predict()คาดว่าพารามิเตอร์แรกจะเป็นอาร์เรย์จำนวนนับ คุณระบุรายการซึ่งไม่มีshapeแอตทริบิวต์ที่อาร์เรย์ numpy มี

มิฉะนั้นโค้ดของคุณจะดูดียกเว้นว่าคุณไม่ได้ทำอะไรกับการคาดคะเน ตรวจสอบให้แน่ใจว่าคุณเก็บไว้ในตัวแปรตัวอย่างเช่นนี้:

prediction = model.predict(np.array(tk.texts_to_sequences(text)))
print(prediction)

model.predict_classes(<numpy_array>)

ตัวอย่างhttps://gist.github.com/alexcpn/0683bb940cae510cf84d5976c1652abd

คุณต้องใช้ Tokenizer เดียวกับที่คุณใช้ในการสร้างโมเดลของคุณ!

มิฉะนั้นจะให้เวกเตอร์ที่แตกต่างกันสำหรับแต่ละคำ

จากนั้นฉันใช้:

phrase = "not good"
tokens = myTokenizer.texts_to_matrix([phrase])

model.predict(np.array(tokens))

ฉันฝึกโครงข่ายประสาทใน Keras เพื่อทำการถดถอยแบบไม่เป็นเชิงเส้นกับข้อมูลบางอย่าง นี่เป็นส่วนหนึ่งของรหัสของฉันสำหรับการทดสอบข้อมูลใหม่โดยใช้การกำหนดค่าโมเดลและน้ำหนักที่บันทึกไว้ก่อนหน้านี้

fname = r"C:\Users\tauseef\Desktop\keras\tutorials\BestWeights.hdf5"
modelConfig = joblib.load('modelConfig.pkl')
recreatedModel = Sequential.from_config(modelConfig)
recreatedModel.load_weights(fname)
unseenTestData = np.genfromtxt(r"C:\Users\tauseef\Desktop\keras\arrayOf100Rows257Columns.txt",delimiter=" ")
X_test = unseenTestData
standard_scalerX = StandardScaler()
standard_scalerX.fit(X_test)
X_test_std = standard_scalerX.transform(X_test)
X_test_std = X_test_std.astype('float32')
unseenData_predictions = recreatedModel.predict(X_test_std)

คุณสามารถ "เรียก" โมเดลของคุณด้วยอาร์เรย์ของรูปร่างที่ถูกต้อง:

model(np.array([[6.7, 3.3, 5.7, 2.5]]))

ตัวอย่างเต็ม:

from sklearn.datasets import load_iris
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
import numpy as np

X, y = load_iris(return_X_y=True)

model = Sequential([
    Dense(16, activation='relu'),
    Dense(32, activation='relu'),
    Dense(1)])

model.compile(loss='mean_absolute_error', optimizer='adam')

history = model.fit(X, y, epochs=10, verbose=0)

print(model(np.array([[6.7, 3.3, 5.7, 2.5]])))

<tf.Tensor: shape=(1, 1), dtype=float64, numpy=array([[1.92517677]])>

คุณสามารถใช้โทเค็นไนเซอร์และการจัดลำดับแพดสำหรับข้อความชิ้นใหม่ ตามด้วยการคาดคะเนแบบจำลอง สิ่งนี้จะส่งคืนการคาดการณ์เป็นอาร์เรย์จำนวนนับบวกกับป้ายกำกับเอง

ตัวอย่างเช่น:

new_complaint = ['Your service is not good']
seq = tokenizer.texts_to_sequences(new_complaint)
padded = pad_sequences(seq, maxlen=maxlen)
pred = model.predict(padded)
print(pred, labels[np.argmax(pred)])